pynq-bnn

1. BNN-PYNQ

GitHub链接：https://github.com/Xilinx/BNN-PYNQ

在CNN基础上优化而来的BNN框架使用二值化操作代替浮点型计算，更加适合FPGA器件，网络在性能显著提升的同时，功耗也大幅度降低至2~2.5W。下图中，可明显地看到在硬件（PYNQ上的FPGA架构）上运行BNN的速度比在软件（PYNQ的ARM核）上运行要快得多。

BNN-PYNQ是Xilinx提供的一个面向PYNQ-Z1的开源二值神经网络(BNN)框架，它主要提供了两种不同拓扑结构网络——LFC及CNV——对应的overlay、五个已经训练好的BNN图像分类示例，亦提供了将自己训练的BNN导入overlay及构建新overlay的工具。

前向传播时，CPU、GPU及Google TPU等经典架构在计算队列中一次仅运行一个层，带来延时、效能等方面的问题。而对于硬件设计更为灵活的FPGA，可针对不同的网络拓扑，定制一种异构流式(heterogeneous streaming)架构：独立的计算引擎用于计算网络的每一层，通过片上数据流进行通信；一旦前一“层”产生了输出数据，则后一“层”将同时开始计算；这种方式避免了“一刀切”的低效率。

在PYNQ中，Overlay文件存放了BNN的拓扑结构，而各个参数、数据集、精度等存放于其他文件中，可根据需求进行自定义，以形成一个完整的神经网络。

BNN-PYNQ使用的是Theano及Pylearn2框架。对于其所提供的LFC及CNV的Overlay，可在bnn/src/training中找到mnist.py或cifar10.py，修改其中关于输入数据集的语句并在计算机上运行，即可训练得到新的网络；再通过同一文件夹下的mnist-gen-binary-weights.py或cifar10-gen-binary-weights.py，可生成权重文件，将其下载至PYNQ板上，即可开始运行网络。

若需定制不同的BNN拓扑结构，则必须使用自定义的Overlay，具体过程较为复杂，需要对BNN-PYNQ的内核有所了解，在此不再展开叙述。

BNN-PYNQ安装步骤

1. 单击Jupyter Notebook右上角的“New”，选择“Terminal”，以打开一个终端窗口；

2. 输入命令

（PYNQ v2.3）

或

（PYNQ v2.2 及更早版本）

若无法联网下载，则参看步骤3. 进行本地下载安装；

3. 从BNN-PYNQ页面中下载项目，由于Jupyter Notebook无法上传整个文件夹，故先上传项目压缩包，再新建一个python 3 notebook，通过代码

进行解压。接着输入

进行安装。

安装成功后，在根目录下将生成一个bnn文件夹，打开bnn/notebook即可看到各个示例文件，可打开执行。