xiuxin121的博客

http://blog.youkuaiyun.com/amds123/article/details/66109709

https://blog.youkuaiyun.com/d_leo/article/details/73572373

https://www.cnblogs.com/starle/p/6135540.html

因为CNN的特有计算模式，通用处理器对于CNN实现效率并不高，不能满足性能要求。 因此，近来已经提出了基于FPGA，GPU甚至ASIC设计的各种加速器来提高CNN设计的性能。 在这些方法中，基于FPGA的加速器引起了研究人员越来越多的关注，因为它们具有性能好，能源效率高，开发周期快，重构能力强等优点。在实验中，研究人员发现在FPGA相同的逻辑资源利用率情况下，两种不同解决方案可能会有多达90％

英文论文链接：http://cadlab.cs.ucla.edu/~cong/slides/fpga2015_chen.pdf翻译：卜居转载请注明出处：http://blog.youkuaiyun.com/kkk584520/article/details/47450159【0. 摘要】CNN已经广泛用于图像识别，因为它能模仿生物视觉神经的行为获得很高识别准确率。最近，基于深度学习算法

前一节里面简单介绍了数据访问优化的几种方式，接下来详解介绍一下：1.DATA Motion network:FPGA的数据传输网络是用来连接程序运行在PS端和PL端。SDSOC环境将会自动的创建一个基于数据类型的数据传输网络，但是我们可以使用指令来优化运行速率和硬件资源。常规的数据传输类型有：（1）Scalar:常量经常通过AXI_lite协议传输。（2）Array:数组包含多

1.FPGA的基本结构有：LUT：用于逻辑操作FF :存储LUT操作的结果wire:总线连接I/O:数据通过I/O将FPGA与其他设备通信

硬件函数由vivado_hla综合成PL端的硬件。编译器将自动的将C/C++代码编译到FPGA硬件实现中，并于所有编译器一样，使用所有编译器默认值。除了编译器默认的以外，vivado提供了大量的优化，通过使用集成好的函数来应用于C/C++代码。本章解释了可以应用的优化和对于应用这些的推荐方法。两个流程用于硬件函数优化：1）.TOP-DOWN flow:在这个流程中，使用SDSCO环境，程序

data access patters/数据访问模式(关键词：函数之间，函数内的数据访问模式对性能的影响)由于FPGA的优越性能，FPGA被选中来实现C代码。一个FPGA的大规模并行架构允许它执行的操作比一个CPU处理器的固有的顺序操作的速度更快。用户通常都希望利用这一性能。这里的重点理解是理解C代码中固有的访问模式对结果可能产生的影响。虽然最受关注的是那些进入和推出硬件功能的访问

https://github.com/czy2014hust/zynqyolo

https://github.com/doonny/PipeCNN/tree/master/documents

http://xilinx.eetrend.com/blog/9531

http://blog.youkuaiyun.com/u010830004/article/details/51276334

http://blog.youkuaiyun.com/kkk584520/article/details/9993281

http://blog.youkuaiyun.com/w371500241/article/details/53449815

http://blog.youkuaiyun.com/rzjmpb/article/details/50829932

使用Modelsim进行简单仿真 这里记载一下使用modelsim进行简单的仿真，方便以后使用的时候进行查看。所谓的简单的仿真，就是没有IP核、只用图形界面不用tcl脚本进行的仿真。简单的仿真步骤为：1、改变路径到工作环境下的路径下面，创建工程。2、添加仿真的源文件（.v文件等）。3、编译源文件。4、启动仿真，添加仿真信号。5、调试、查看仿真波形。这里就使用一个简单的例子——8分频电路，进行...