Crazzy_M的博客

激活层实现环境： Pytorch，Pycham，Matlab。（订阅后有问题，或者需要该节的文件 请私信）说明： 上一节已经介绍了池化层电路实现的原理，这一节主要介绍线性激活层实现的原理 。第一节：基于FPGA的一维卷积神经网络CNN的实现（一）框架第二节：基于FPGA的一维卷积神经网络CNN的实现（二）资源分配第三节：基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）第四节：基于FPGA的一维卷积神经网络CNN的实现（四）Matlab前向验证（附代码）......

池化层实现环境： Pytorch，Pycham，Matlab。（订阅后有问题，或者需要该节的文件 请私信）说明： 上一节已经介绍了卷积层电路实现的原理，这一节主要介绍池化层实现的原理 。第一节：基于FPGA的一维卷积神经网络CNN的实现（一）框架第二节：基于FPGA的一维卷积神经网络CNN的实现（二）资源分配第三节：基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）第四节：基于FPGA的一维卷积神经网络CNN的实现（四）Matlab前向验证（附代码）第五节：基于FPGA

卷积层实现环境： Pytorch，Pycham，Matlab。（订阅后有问题，或者需要该节的文件直接加微信：Crazzy_M）说明： 上一节已经通过Matlab将CNN网络所需的权重参数转换为定点数。该节在FPGA端进行卷积层的实现。.....................

上一节已经通过Matlab中基础的乘加运算进行了CNN网络的前向计算过程。该节利用Matlab将导出的CNN网络所需要的参数进行定点量化，最后传输至FPGA端进行计算。

上一节已经由Pytorch框架训练得到最优的训练参数，并且已经将参数导出至.mat文件。该节通过Matlab利用基础的乘加计算来搭建CNN网络的前向计算（不是用深度学习库），从底层熟悉CNN是怎么实现的。（知道底层怎么实现，才能在FPGA上搭建吧）.....................

训练网络搭建环境：Pytorch，Pycham，Matlab。说明：该网络反向传播是通过软件方式生成，FPGA内部不进行反向传播计算。该节通过Python获取训练数据集，并通过Pytorch框架搭建的CNN网络进行网络的训练。并将训练的最优参数导出，这一节先导出至Matalb进行网络的验证以及数据的量化。文章目录1.数据集的获取1.1 正弦波的获取1.2 余弦波的获取1.3 三角波的获取1.数据集的获取首先明白我们识别的波形为，正弦波，余弦波，三角波。没有噪声的信号波形如下所示，没有噪声的

资源分配环境：Vivado2019.2。Part：xcku040-ffva1156-2-i，内嵌DSP个数 1920个，BRAM 600个也就是21.1Mb。说明：通过识别加高斯白噪声的正弦波、余弦波、三角波较简单的实例来利用FPGA实现一维CNN网络，也就是将下列数据传输至FPGA，识别出下面哪些是正弦波、余弦波、三角波，通过简单实例实践，从而实现更复杂的网络。主要是实现CNN网络的搭建，本文因为追求速度利用了大量的DSP，后期加入复杂网络进行DSP复用。文章目录一、DSP资源分配1.第一层卷积2

理论建立与效果展示正在写。。。环境：Vivado2019.2。Part：xcku040-ffva1156-2-i，内嵌DSP个数 1920个，BRAM 600个也就是21.1Mb。说明：通过识别加高斯白噪声的正弦波、余弦波、三角波较简单的实例来利用FPGA实现一维CNN网络，主要是实现CNN网络的搭建。也就是将下列数据传输至FPGA，识别出下面哪些是正弦波、余弦波、三角波，通过简单实例实践，在融会贯通。实现流程：训练参数：通过pytorch对10000个训练集进行训练获得训练参数，反向计算不