基于FPGA的卷积神经网络实现（三）资源分配（1）

目录：

1. 简介
2. 框架
3. 资源分配（1）
4. 资源分配（2）
5. 数据量化（1）
6. 数据量化（2）
7. 数据读写
8. 卷积模块
9. 池化、全连接与输出

我发现点下面的链接会跳到一个不知道是谁的CSDN下面需要付费下载，这个很迷惑，麻烦自行复制下面的链接。
Github：https://github.com/MasLiang/CNN-On-FPGA
那个不知道是谁的链接：https://download.csdn.net/download/weixin_42138780/18551586
没有下载不让举报，有办法的朋友麻烦举报一下

前面曾经说过这个demo使用最简单的方法，也就是对每一层都单独分配资源，所以需要提前设计好每一层所分配的资源数量。这里的资源主要是指DSP单元和片上存储资源,CNN的卷积层是计算密集型层，全连接层是存储密集型层，整个CNN所需要的计算资源（也就是我们使用DSP单元来实现）和存储资源远远大于对其他资源的需求。仍然是从最简单的方式开始，整个demo的网络结构很小而简单（网络结构在这里），再买上一块儿略屌的板子，比如说zynq7000-zc706（这板子确实很贵，但是一开始我们可以只是仿真，对于上板可以等基本掌握了这种设计思路之后，再进行优化，然后对于不同的板子进行不同的设），19.1M block RAM，900DSP单元（详细信息）。现在网络框架有了板子也有了，那么我们根据这些资源数据来设计。
整个网络结构的参数量如下表所示：

层	参数量（个）
卷积层1	5 * 5 * 1 * 4
卷积层2	5 * 5 * 4 * 8
卷积层3	5 * 5 * 8 * 16
全连接层1	4032 * 100
全连接层2	100 * 4
全总计	407700

假设我们使用全精度（32位浮点）来存储，那么总计需要片上存储空间13M（如果对参数进行低位宽量化，将会减小对存储的需求）。
下面考虑可能出现的运行缓存，这里的缓存是指，在每一层计算的时候，该层的结果在输入到下一层使用之前需要暂时存储起来。我们先不考虑优化问题，假设每一层的所有输出都需要缓存起来，并且一直不释放一直到整个前向传播过程结束，来计算最大需要的缓存空间。（事实上，每一部分缓存数据在使用完后可以得到释放，只需要单层最大缓存空间即可；另外，使用一定的优化方法可以进一步降低缓存占用空间）。每一层输入所需要的缓存空间如下表所示：

层	输入缓存空间
卷积层1	256 * 100 * 1
卷积层2	126 * 48 * 4
卷积层3	61 * 22 * 8
全连接层1	4032
全连接层2	100
全总计	64660

仍然假设使用全精度（32位浮点数）来存储，那么总计需要片上存储空间 2M。是不是就结束了？其实并没有，前面我们只是认为卷积层和全连接层这样的计算层需要缓存，实际上，池化层也需要单独拎出来，也就是说池化层的输入也需要缓存，每一个卷积层后面会接一个池化层，那么我们再重新来计算一下存储需求上限：

层	输入缓存空间
卷积层1	256 * 100 * 1
池化层1	252 * 96 * 4
卷积层2	126 * 48 * 4
池化层2	122 * 44 * 8
卷积层3	61 * 22 * 8
池化层3	56 * 18 * 16
全连接层1	4032
全连接层2	100
全总计	64660

这样一来缓存需要的存储空间上限为6.7M，也就是说，如果我们将所有的参数和缓存数据存储在片上存储空间，总计需要19.7M，ZC706是不可以cover的。但是呢这里有个值得注意的地方在于，我们所有的数据都是使用32bit的位宽进行存储，实际上我们可以使用更低bit来存储这些数据，这将缩小对空间是使用，关于量化的问提，进来的研究有很多，16bit定点数基本可以是无损的，pytorch1.4也提供了定点数量化工具，如果想在这方面进行研究的同学可以自行搜索一些相关论文（我有同学做这个，今年在CVPR2020有几篇低bit量化的工作做的已经很强了）。如果想快速做一个demo出来，最简单的办法就是训练出来的网络，将参数直接进行量化，不再retrain，这样会有一定精度损失。
回到FPGA的硬件资源继续分析，既然16bit定点数来存储各种数据我们认为是无损的，那么我们可以认为整个demo的存储需求上限是9.85M，也就是说这个板子能够cover整个网络的存储，所以就不需要在认为去分配每一层使用多少。这里要注意的是，我们说的是存储上限，也就是说实际设计的时候还会比这更低，这需要结合DSP资源的分配来设计结构，我们后面再进一步分析。
下面去考虑DSP单元的数量。DSP单元用于计算卷积，我们使用DSP计算乘法（乘加）运算，我们还是以最简单的来，就让一个DSP单元计算在一个时钟内计算一次乘法，加法再单独计算。
对于每个卷积核的卷积的计算有两种方式：

1. 一些（或一个）DSP单元重复利用，每个时钟进行一定数量的（或一个）乘法运算，串行完成所有计算
2. 多个DSP单元在一个时钟内完成所有乘法计算

对于不同的卷积核之间又有两种情况：

1. 一层所有的卷积核并行进行
2. 部分卷积核（也可能是一个卷积核）并行进行

对于本demo来说，如果我们在卷积核内选择第二种方式，卷积核间也选择第一种方式，那么每一层需要的DSP单元数量如下表所示：

层	DSP单元数量（个）
卷积层1	5 * 5 * 1 * 4
卷积层2	5 * 5 * 4 * 8
卷积层3	5 * 5 * 8 * 16

是不是非常眼熟？没错，这就是前面的卷积层参数量的表格，显然这种方式等价于我们给每个卷积层参数分配一个DSP单元。也就是说我们总计需要4100个DSP单元，显然这是远远超过板载DSP单元数量的，因此这是不可行的。那么我们来考虑降低卷积核之间的并行程度，降到最低的状态即为每一层都只并行计算一个卷积核，那么每一层需要的DSP数量变为：

层	DSP单元数量（个）
卷积层1	5 * 5 * 1
卷积层2	5 * 5 * 4
卷积层3	5 * 5 * 8

总计为325个，因此我们的卷积核内部是可以全部并行进行计算的。
另一种组合是卷积核间仍然是全并行的，而卷积核内部是部分并行的，这种方式是可行的，这种方式所需要的最小DSP单元个数是每个卷积核分配一个DSP单元，那么总计需要28个，我们仍可以进一步的增加卷积核内部的并行程度，以充分利用板载DSP资源。
最后一种组合方式是卷积核内部部分并行，卷积核见也部分并行，显然这种方式的最小DSP单元需求量更小，也是可以考虑的一种。

结论：我们在分配DSP单元的时候，应使得每一层卷积核内部的卷积运算部分并行，卷积核之间部分或完全并行

下一节我将对这两种方式进行对比，并将对缓存的优化纳入考量，最终确定DSP资源的分配。