PP4FPGA--Chpter3 CORDIC

1 标题

CORDIC坐标旋转数字算法,是一种计算三角、双曲和其他数学函数的有效方法。每次运算均产生一次结果输出。以使我们根据应用需求调增算法精度;增加运算迭代次数可以得到更精确的结果。

CORDIC是只用加法、减法、移位和查找表实现的简单算法,很适合并且经常在FPGA设计中用到。功能:计算旋转角度。

Vivado HLS用CODIC进行三角函数计算,同时CODIC也是现代FPGA IP CORE库中的标准运算模块。一个优秀的HLS设计人员如果希望创建最优设计,就必须理解算法。

本章目标:为变量选择正确的数据表示;

设计人员必须仔细权衡算法运算结果精度、性能和设计的资源利用率。数据表示是这种权衡的一个很重要的因素--较大数字,通常是以增加使用资源用更多的寄存器和逻辑块和降低处理性能为代价来提供更精确的数据。 

2 背景

1 CORDIC核心思想是:在一个二维平面上高效地执行一组矢量旋转

向量乘以旋转矩阵,以实现旋转:

可以得到两个等式:

 

 上述即是旋转乘法地核心思想。我们的目标就变成了 简化 xi和yi的操作。

比如把θ=90°代入,就可以得到一个不需要计算乘法的操作。

乘以2的任意幂可以转变为移位操作(二进制编码)。

2 高效旋转矩阵:只进行加/减,和2的幂次乘法运算即移位操作。

3 HLS中的数值表示

计算机和FPGA内部的二进制数据表示法,使数据可以由开关信号组成的二进制数字或者简单的位来有效的表示。在许多嵌入式系统和FPGA中,最小化数据位宽可以极大地提高系统总体性能和效率。 

二进制最高位是最关键的位置,同时二进制数最低位是最不重要的位置。

4 二进制任意位数表示

当用整数代表定点数值时,定点数的格式非常重要,只要这样在做乘法后的归一化操作才能正确。

当使用明确位宽定义的数据类型时,C99编译器会强制转换计算后的数据位宽。比如,正确的代码都要求在比输入变量相乘之前将变量位宽转换为与结果位宽一致。

由于以上等原因,在VHLS中最好使用模板类apint<>,ap_int<>,ap_fixed<>,来表示任意精度数据。ap_int<>和ap_unit<>模板类需要整数参数来定义它们的位宽。计算函数通常产生结果的位宽足够宽,可以表示正确的结果,只有当结果分配给较小的位宽时才会发生溢出或下溢。

C++ Arbitrary Precision Fixed Point Types缩写就是ap_fixed。

ap_[u]fixed<int W数据占用的位宽, int I整数部分的位数, ap_q_mode Q量化模式, ap_o_mode O溢出模式, ap_sat_bits N>;

W-I 代表小数位数;fractional bits.   ap_fixed<>和 ap_ufixed<>模板位宽数据要为整数,但是数值可以是任意的。特殊情况下,整数的位宽可能是0,即是一个纯小数。或者这个数和数值位宽总数相同暗示纯整数无小数。整数的位宽可以是负数或者比总位宽大的数。

5 浮点

VHLS中的浮点运算提供了很高精度,但需要大量的计算资源,这意味着很大的硬件资源开销和多个时钟周期延迟。应该避免使用浮点数,除非应用场景要求必须用浮点数。

浮点转定点:

// The file cordic.h holds definitions for the data types and constant values 
#include ”cordic.h”

// The cordic phase array holds the angle for the current rotation 
// cordic_phase[0] =˜ 0.785 
// cordic_phase[1] =˜ 0.463

void cordic(THETA TYPE theta, COS_SIN_TYPE &s, COS_SIN_TYPE &c) 
{ 
    // Set the initial vector that we will rotate 
    // current cos = I; current sin = Q 
    COS_SIN_TYPE current_cos = 0.60735; 
    COS_SIN_TYPE current_sin = 0.0;

    // This loop iteratively rotates the initial vector to find the 
    // sine and cosine values corresponding to the input theta angle 
    for (int j = 0; j < NUM ITERATIONS; j++) { 
        // Multiply previous iteration by 2ˆ(−j). This is equivalent to 
        // a right shift by j on a fixed−point number. 
        COS_SIN_TYPE cos_shift = current_cos >> j; 
        COS_SIN_TYPE sin_shift = current_sin >> j;

        // Determine if we are rotating by a positive or negative angle 
        if(theta >= 0) { 
            // Perform the rotation 
            current_cos = current_cos − sin_shift; 
            current_sin = current_sin + cos_shift;

            // Determine the new theta theta = theta − cordic_phase[j]; 
        } else { 
            // Perform the rotation 
            current_cos = current_cos + sin_shift; 
            current_sin = current_sin − cos_shift;

            // Determine the new theta 
            theta = theta + cordic_phase[j];
        }
    }    
    // Set the final sine and cosine values 
    s = current_sin;
    c = current_cos;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小菜鸡变形记

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值