2D卷积C/C++实现
void _2DConv(int8_t *in,int8_t *out,int8_t *filter,uint32_t nrows,uint32_t ncols,uint8_t k,uint8_t stride)
/*
in:输入图像
out:输出图像
filter:滤波器
nrows:输出图像的行数
ncols:输出图像的列数
k:滤波器大小(k*k)
stride:滤波窗口步进长度
*/
{
uint16_t r,c,i,j;
uint32_t nrows_i=nrows*stride+k-1;//输入图像的行数
uint32_t ncols_i=ncols*stride+k-1;//输入图像的列数
for(r=0;r<nrows;r++)
{
for(c=0;c<=ncols;c++)
{
for(i=0;i<k;i++)
{
for(j=0;j<k;j++)
{
uint32_t offset=(r*stride+i)*ncols_i+(c*stride+j);
int32_t in_tmp=*(in+offset);
int32_t filter_tmp=*(filter+i*k+j);
*(out+r*ncols+c)+=in_tmp *filter_tmp;
}
}
}
}
}
把代码封装成基于AXI4的形式
void HW_2DConv_Mmap_1(int8_t *pixel_in,int8_t *pixel_out,int32_t addr_reserved)
{
/*
AXI4数据总线(m_axi):
pixel_in用于FPGA加速器主动读取DDR的输入图像和滤波器
pixel_out用于FPGA加速器主动写入输出结果到DDR中
AXI4Lite控制总线(s_axilite):
用于输入输出图像访存基地址
*/
#pragma HLS INTERFACE m_axi depth =482*272+3*3 port=pixel_in offset=slave bundle=user_axi_in register
#pragma HLS INTERFACE m_axi depth =482*270 port=pixel_out offset=slave bundle=user_axi_out register
#pragma HLS INTERFACE s_axilite port=pixel_in bundle=user_axi4lite_config register
#pragma HLS INTERFACE s_axilite port=pixel_out bundle=user_axi4lite_config register
#pragma HLS INTERFACE s_axilite port=addr_reserved offset=0xFFF0 bundle=user_axi4lite_config register
#pragma HLS INTERFACE s_axilite port=return bundle=user_axi4lite_config register
int8_t *filter_base=pixel_in+ROWS_I*COLS_I;
_2DConv(pixel_in,pixel_out,filter_base,ROWS_O,COLS_O,FILTER_SIZE,STRIDE);
}
实现结果的时间和资源
- 时间(latency):21.25M clock cycles
- 主要资源开销:1个dsp 84个乘法器
- 瓶颈:四层迭代 串行运行
里面的两层迭代需要展开
外面的两层迭代需要流水
迭代优化
void _2DConv(int8_t *in,int8_t *out,int8_t *filter,uint32_t nrows,uint32_t ncols,uint8_t k,uint8_t stride)
{
uint16_t r,c,i,j;
uint32_t nrows_i=nrows*stride+k-1;//输入图像的行数
uint32_t ncols_i=ncols*stride+k-1;//输入图像的列数
for(r=0;r<nrows;r++)
{
for(c=0;c<=ncols;c++)
{
#pragma HLS PIPELINE II=1//流水
for(i=0;i<k;i++)
{
for(j=0;j<k;j++)
{
uint32_t offset=(r*stride+i)*ncols_i+(c*stride+j);
int32_t in_tmp=*(in+offset);
int32_t filter_tmp=*(filter+i*k+j);
*(out+r*ncols+c)+=in_tmp *filter_tmp;
}
}
}
}
}
实现结果的时间和资源
- 时间(latency):2.33M clock cycles 提高了9倍多
- 主要资源开销:6个dsp 365个乘法器
- 瓶颈:目标流水线是1个clock cycles ,但是目前只能达到18个clock cycles,访存瓶颈
访存及核心计算优化
void _2DConv——Op(int8_t *in,int8_t *out,int8_t *filter,uint32_t nrows,uint32_t ncols,uint8_t k,uint8_t stride)
{
uint16_t r,c,i,j;
uint32_t nrows_i=nrows*stride+k-1;//输入图像的行数
uint32_t ncols_i=ncols*stride+k-1;//输入图像的列数
int8_t *filter_based=in+ROWS_I*COLS_I;
int8_t filter_buffer[FILTER_SIZE][FILTER_SIZE]
//*pragma HLS ARRAY_PARTITION variable=filter_buffer complete dim=0
memcpy (&filter_buffer[0][0],filter_base,FILTER_SIZE*FILTER_SIZE*sizeof(int8_t));//提前将卷积核放到片上
for(r=0;r<nrows;r++)
{
for(c=0;c<=ncols;c++)
{
#pragma HLS PIPELINE II=1
int8_t store_data=0;
for(i=0;i<k;i++)
{
for(j=0;j<k;j++)
{
uint32_t offset=(r*stride+i)*ncols_i+(c*stride+j);
int8_t val=*(in+offset);
int8_t res=0;
if(filter_buffer[i][j]==0)//针对二值卷积核进行优化
res=0;
else if(filter_buffer[i][j]==1)
res=val;
else if(filter_buffer[i][j]==-1)
res=-val;
store_data+=res
*(out+r*ncols+c)+=store_data;
}
}
}
}
}
卷积核缓存到片上ram
实现结果的时间和资源
- 时间:1.16M clock cycles 提高了18倍多
- 主要资源开销:0个dsp 365个乘法器
- 瓶颈:目标流水线是1个clock cycles ,但是目前只能达到9个clock cycles,图片还是从ddr读的
2D卷积操作必须对k*k大小的窗口内的所有像素点进行计算
字节从DDR中取像素进行计算的话,访存延迟大,访存周期不确定,无法实现高效的流水处理
图片数据缓冲到片上
行缓冲(line buffer)
窗口缓冲(windows buffer)
算法硬件结构优化:行缓冲
- 由于DEMO中filter大小为3*3,因此,建立一个3行的行缓冲,用于缓存当前滤波窗口正在处理的三行像素
- 行缓冲通过ARRAY_PARTITION指示对二维数组的第一维(行)进行展开,每一维通过独立的片上BRAM实现,支持同时访问不同行中的像素点
template<typename T,int LROW,int LCOL>
class ap_linebuffer{
public:
TM[LROW][LCOL];
#pragma AP ARRAY_PARTITION variable=M dim=1 complete
ap_linebuffer(){
};
}
算法硬件结构优化:窗口缓冲
- 建立一个3*3的窗口缓存,通过ARRAY_PARTITION对所有维度进行全部展开,窗口缓存中所有9个元素都由LUT实现,支持同时对所有元素并发访问
- 算法从DDR读取下一个像素,添加到行缓冲中。同时,行缓冲已经缓存了前两行的像素。通过访问行缓存,正好可以得到当前滤波窗口所在位置的所有像素点,这些像素点存入窗口缓存中,并送到流水线中进行处理。
template<typename T,int LROW,int LCOL>
class ap_window{
public:
TM[LROW][LCOL];
#pragma AP ARRAY_PARTITION variable=M dim=1 complete
ap_window(){
};
}
完整代码
void _2DConv_Op(int8_t *in,int8_t *out,int8_t *filter,uint32_t nrows,uint32_t ncols,uint8_t k,uint8_t stride)
{
uint16_t r,c,i,j;
uint32_t nrows_i=nrows*stride+k-1;//输入图像的行数
uint32_t ncols_i=ncols*stride+k-1;//输入图像的列数
int8_t *filter_based=in+ROWS_I*COLS_I;
int8_t filter_buffer[FILTER_SIZE][FILTER_SIZE]
//*pragma HLS ARRAY_PARTITION variable=filter_buffer complete dim=0
memcpy (&filter_buffer[0][0],filter_base,FILTER_SIZE*FILTER_SIZE*sizeof(int8_t));//提前将FILTER_SIZE*FILTER_SIZE个像素放到片上
ap_linebuffer<int8_t,FILTER_SIZE,COLS_I> line_buffer;
ROW_LOOP:for(r=0;r<ROWS_I;r++)
{
ap_window<int8_t,FILTER_SIZE,FILTER_SIZE> window_buffer;
//fill the line buffer
COL_LOOP:for(c=0;c<=COLS_I;c++)
{
#pragma HLS PIPELINE II=1
int8_t store_data=0;
int8_t load_data=*(in_base+r*COLS_I+c);
line_buffer.shift_up(c);
line_buffer.insert_bottom(load_data,c);//行缓冲,保证数据从DDR里面流水的取出
if(r>=2)
{
window_buffer.shift_right();
window_buffer,insert(line_buffer.getval(2,c),0,2);
window_buffer,insert(line_buffer.getval(1,c),1,2);
window_buffer,insert(line_buffer.getval(0,c),2,2);
}//从行缓冲中获取数据,构建卷积计算的窗口缓冲
if(r>=2&&c>=2)
{
for(i=0;i<FILTER_SIZE;i++)
{
for(j=0;j<FILTER_SIZE;j++)
{
int8_t res=0;
int8_t val=window_buffer.getval(i,j);//从窗口中获取像素值,进行卷积计算
if(filter_buffer[i][j]==0)//针对二值卷积核进行优化
res=0;
else if(filter_buffer[i][j]==1)
res=val;
else if(filter_buffer[i][j]==-1)
res=-val;
store_data+=res
}
}
*(out_base+(r-2)*COLS_O+c(c-2))+=store_data;
}
}
}
}
实现结果的时间和资源
- 时间(latency):131k clock cycles 提高了164倍多
- 综合后流水线达到目标流水线要求,1个clock cycles
- latency 降低到1311143个时钟周期,比优化前降低了约99.5%
- 理论分析,实现COL_LOOP全流水后,每个时钟周期能完成一个滤波窗口的计算。理论上,总的时钟周期开销约为270*480=129600.最终优化后的131143仅与理论值相差1.1%。