SDSOC加速实录-（1）加速工具及库的概述

做的项目到了第二个阶段，从单纯的写代码到需要对算法硬件加速。本人也是第一次接触HLS和SDSOC，记录一下小白的学习心得，可能有不准确的地方，见谅。

简单介绍：

• 系统：ubuntu16.04.4
• 平台：zcu102
• 软件：SDx/SDSOC-v2018.3
• 代码内容：图像处理
• 文章内容：xfopencv库、opencv库的使用，如何使用SDSOC加速算法

1.概述

1.1关于xfopencv问题

问题1：什么是xfopencv库？

回答：
①处理图像的时候都用opencv，但是xfopencv已经根据相关语法对opencv中某些函数针对硬件设备进行了加速和优化，直接调用即可。
②xfopencv发布于2018年年度，命名空间为xf::，输入矩阵为xf::Mat，其目的是取代原来的hls::库。
③随着技术的进步，xfopencv已经逐渐淘汰，最高版本仅支持到vivado_hls-v2019.2.
使用详情：请登陆Xilinx官网查看文档UG1233
下载详情：请登录Github官网搜索“xfopencv”

问题2：xfopencv的处理流程是？

回答：

//1.使用cv::Mat来读取图像，这个过程是从sd卡向DRAM读取图片的过程
//2.将cv::Mat图像拷贝到xf::Mat，初始化该函数需要<图像长宽>、<像素的数据类型>、<每个时钟处理像素数>  
//3.调用xfopencv的内置函数，这里需要使用xf::Mat类型，该过程是处理过程
//4.从xf::Mat拷贝到cv::Mat，该过程是从DRAM向sd卡写入图片的过程

1.2关于SDSOC问题

问题1：SDSOC如何加速？

回答：SDSOC主要面向软件编程人员，大概率不需要懂硬件的知识（如果有更好），但你需要懂得你手中的板卡处理上限是什么？
其处理流程为：

//1.写好C/C++代码，并找出计算密集的函数/模块（后续将进行加速）
//2.使用HLS语法对函数内部/函数接口进行优化
    ①函数内部用于循环的展开/并行；
    ②函数的接口用于数据的传输，尤其是图像数据从PS到PL的传输需要着重优化
//3.根据仿真结果的处理表现，重复优化上述过程

对于SDSOC这个工具的使用来说，最重要的一步骤就是硬件加速，对应着在项目界面（project explore）中添加要加速的硬件函数（Haradware Funcion），引出了下面的问题

问题2：已知SDSOC编译指令为sds++，编译工具对应板卡的系统编译工具，其编译过程是一个交叉编译的过程。在对硬件函数进行编译的时候有什么需要注意的事项？

回答：
需要注意三点：
①不使用bool类型的数组
②不对顶层硬件函数的接口使用hls::stream
③不对顶层硬件函数进行接口优化，但可以指定生成接口

//创建AXI接口
#pragma SDS data zero_copy(): Use to generate a shared memory interface
//创建FIFO接口
#pragma SDS data access_pattern(argument:SEQUENTIAL)

查看例程<mmultadd.h>：
带<#pragma SDS>类指令在头文件中出现，目的是以声明的形式创建函数传输端口；
带<#pragma HLS>类指令在函数体内出现，目的是向计算密集函数内添加基于HLS工具的硬件加速语句。

• 头文件中，声明了函数<mmult()>和函数<madd()>的数据传输端口形式为FIFO，FIFO可以理解为顺序读取。
• 如果不使用#pragma SDS指令来制定端口的话，则会使用默认端口形式RAM，RAM可以理解为随机读取。
• 随机读取对于某些特定的处理任务产生影响，因此请指定适合处理任务的数据传输端口

#ifndef _MMULTADD_H_
#define _MMULTADD_H_

#define N 32

/**
* Design principles to achieve best performance
*
* 1. Declare secquential access to stream data into accelerators via a hardware FIFO 
*    interface.  Otherwise, the default RAM interface requires all data to arrive
*    before starting HLS accelerator
*/
#pragma SDS data access_pattern(A:SEQUENTIAL, B:SEQUENTIAL, C:SEQUENTIAL)
void mmult (float A[N*N], float B[N*N], float C[N*N]);

#pragma SDS data access_pattern(A:SEQUENTIAL, B:SEQUENTIAL, C:SEQUENTIAL)
void madd(float A[N*N], float B[N*N], float C[N*N]);

#endif /* _MMULTADD_H_ */

查看<mmult.cpp>，其中带<#>的语句就是向计算密集函数内添加基于HLS工具的硬件加速语句：

`#include <stdio.h>
#include <stdlib.h>
#include "mmultadd.h"

/**
*
* Design principles to achieve II = 1
* 1. Stream data into local RAM for inputs (multiple access required)
* 2. Partition local RAMs into N/2 sub-arrays for fully parallel access (dual-port read)
* 3. Pipeline the dot-product loop, to fully unroll it
* 4. Separate multiply-accumulate in inner loop to force two FP operators
*
*/
void mmult (float A[N*N], float B[N*N], float C[N*N]) 
{
    float Abuf[N][N], Bbuf[N][N];
#pragma HLS array_partition variable=Abuf block factor=16 dim=2 
#pragma HLS array_partition variable=Bbuf block factor=16 dim=1
    
   for(int i=0; i<N; i++) {
        for(int j=0; j<N; j++) {
#pragma HLS PIPELINE
              Abuf[i][j] = A[i * N + j];
              Bbuf[i][j] = B[i * N + j];
         }
    }
 
    for (int i = 0; i < N; i++) {
         for (int j = 0; j < N; j++) {
#pragma HLS PIPELINE
              float result = 0;
              for (int k = 0; k < N; k++) {
                   float term = Abuf[i][k] * Bbuf[k][j];
                   result += term;
              }
              C[i * N + j] = result;
         }
    }
}