面向边缘计算的嵌入式FPGA卷积神经网络的构建

面向边缘计算的嵌入式FPGA平台卷积神经网络的构建 通过设计卷积神经网络函数中的网络层间可复用的加速器核心  以减少硬件资源实现性能优化卷积神经网络硬件。

边缘计算：
克服云计算固有的问题，将应用、数据和服务从节点推向网络边缘，在靠近移动设备和数据源头，融合网络、计算、存储和应用核心能力的开放平台，就近提供服务，进而形成对云计算的有益补充，推动物联网的发展。
边缘计算具有 低延时、高可用、高实时等优势。
RTL（reister trtansfer level）寄存器传输级 流程复查、周期长、优化空间小。
设计瓶颈——高层次综合（HLS） 使用高级语言对算法进行设计，编译、语义转化、映射与布局布线等过程，将其转化为可用以精简指令集（ASIC）设计或FPGA设计的RTL语言的跨层次设计方法。
创新：
1、构建共享加速器：通过复用单元降低存储，建立cnn加速模型。保证cnn重构更好的复用基础功能函数和层功能函数。
2、引用循环切割参数：对输入输出循环切割，实现加速可扩展性。对循环重排，提高数据处理并行度。
3、对缓存数组进行分割：增加接口数量，保证吞吐率，缓存优化，利用数据流优化指令，使卷积计算与缓存数据获取并行执行，提高加速器内部的并行度。

神经网络：
卷积层：输入f 和w 组成的卷积核进行卷积
池化层：采用最大值采样或均值采样进行池化，降低输入矩阵的规模
全连接层：对输入进行线性空间转换
激活函数：对输入激励的非线性转（冲击响应（Sigmod）、非线性（Relu）、三角函数（Tanh））
网络训练：
权重和偏置数据，使用链式法则与反向传递原理，即通过损失函数对输入、输出、准确值进行评估，从而修正权重、偏置参数。 向前传播（实际应用），反向传播（训练过程），cnn构建时使用向前传播。
HLS 技术：
提供了将高级编程语言直接转化为ＦＰＧＡ 或ＡＳＩＣ实现的硬件描述语言（ＨＡＲＤＷＡＲＥ　ＤＥＳＣＲＩＰＴＩＯＮ ＬＡＮＧＵＡＧＥ，ＨＤＬ）的途径。在转化过程中插入编译指示指令对硬件结构进行优化 包括映射硬件寄存器、循环、接口等。

HLS新要求：
1、应用划分重构
2、硬件接口设置
3、硬件电路优化

网络构建：
通过可复用设计、可拓展设计、缓存优化、数据流优化等提高计算的并行度和资源利用率。