NPU_on_FPGA 安装与配置完全指南

NPU_on_FPGA 安装与配置完全指南

NPU_on_FPGA 在FPGA上面实现一个NPU计算单元。能够执行矩阵运算（ADD/ADDi/ADDs/MULT/MULTi/DOT等）、图像处理运算（CONV/POOL等）、非线性映射（RELU/TANH/SIGM等）。 项目地址: https://gitcode.com/gh_mirrors/np/NPU_on_FPGA

项目基础介绍

NPU_on_FPGA 是一个开源项目，旨在FPGA上实现一个神经处理单元(NPU)，能够执行包括矩阵运算（如ADD, ADDi, ADDs, MULT, MULTi, DOT等）、图像处理运算（比如CONVolution, POOLing）以及非线性映射（例如ReLU, TANH, SIGMOID）在内的多种运算。此项目特别适合那些希望在嵌入式系统中部署轻量级神经网络，并寻求高性能与低功耗平衡的研究者与开发者。

主要编程语言: HDL语言(Verilog或VHDL), Python

关键技术和框架

• HDL语言: 用于硬件描述，使设计能在FPGA上直接执行。
• Python: 用于模型训练、转换及验证，借助TensorFlow和Keras进行神经网络模型的构建和训练。
• FPGA开发工具: 使用Intel Quartus Prime作为主要FPGA开发软件，ModelSim用于仿真验证。

准备工作和详细安装步骤

步骤 1: 系统要求

确保你的计算机满足以下最低要求：

• 操作系统: Windows/Linux
• 软件: Python 3.6.3+, Anaconda 5.1.0, TensorFlow-GPU 1.3.0, Keras 2.1.0, Quartus 16.1, ModelSim SE 10.4

步骤 2: 安装软件包

1. 安装Anaconda: 下载并安装最新版本的Anaconda，创建一个新环境以保持依赖项独立。

   conda create --name npu_env python=3.6.3
   conda activate npu_env
   

2. 安装Python库:

   conda install tensorflow-gpu==1.3.0 keras==2.1.0
   

3. 下载项目源码:

   git clone https://github.com/cxdzyq1110/NPU_on_FPGA.git
   

步骤 3: 配置环境

1. 设置Quartus和ModelSim路径: 修改projects\aFPGA\05_modelsim\run.do和projects\aFPGA\10_python\isa-npu\sim_module.bat文件中的相关路径。

2. 配置网络描述文件: 根据需要，修改projects\python\keras_cnn\scripts目录下的网络描述文件(txt)。默认配置基于LeNet-5模型。

步骤 4: 训练与转换模型

1. 进入Python脚本目录:

   cd NPU_on_FPGA/projects/python/keras_cnn/scripts
   

2. 训练模型: 运行相应的.bat脚本来训练模型、生成模型参数和NPU指令。

   .\0_train_CNN.bat
   .\1_save_CNN_parameters_to_csv.bat
   .\3_generate_NPU_instructions_from_csv.bat
   

步骤 5: 仿真与验证

1. 运行仿真: 回到projects\aFPGA\05_modelsim目录，修改并运行sim_module.bat进行硬件仿真。
2. 评估与测试: 仿真完成后，在Python环境中运行projects\aFPGA\10_python\cnn\check_cnn.py来检查NPU运算模型的准确性。

结语

至此，您已成功搭建并配置了NPU_on_FPGA项目，接下来便可以深入研究，调整模型，或在实际应用场景中部署您的NPU设计。记得，不断实践和调试是掌握任何新技术的关键。祝您在探索FPGA神经处理的世界里旅程愉快！

NPU_on_FPGA 在FPGA上面实现一个NPU计算单元。能够执行矩阵运算（ADD/ADDi/ADDs/MULT/MULTi/DOT等）、图像处理运算（CONV/POOL等）、非线性映射（RELU/TANH/SIGM等）。 项目地址: https://gitcode.com/gh_mirrors/np/NPU_on_FPGA