使用MATLAB在Xilinx FPGA原型深度学习
fpga硬件适合深度学习嵌入式设备上的推测,因为他们提供低延迟和功耗。早期的原型是至关重要的发展深入学习网络,可以有效地部署到FPGA。
看看深度学习HDL工具箱™自动化FPGA原型直接从MATLAB深度学习网络®。MATLAB的几行代码,您可以部署和运行在Xilinx推论®ZCU102 FPGA板。这个直接连接允许您运行深度学习推论FPGA在MATLAB作为应用程序的一部分,这样你就可以更快地收敛在一个网络,满足系统要求。
fpga是适合深度学习推论在边缘设备,因为他们有更低的延迟,比cpu或gpu和使用更少的电力,我们开始看到它们设计成各种各样的应用程序。
但边缘部署带来约束,如速度、规模和功耗,力量权衡在fpga硬件实现深度学习网络。所以变得至关重要的工程师能够快速遍历网络设计和FPGA之间部署。
与深度学习HDL工具箱,可以开始运行推论在一个FPGA在MATLAB中至少有5行代码添加到现有的深度学习代码,所以你可以在MATLAB实验和反复。
开始很快,下载Xilinx的深度学习HDL工具箱支持包附加explorer或MathWo金宝apprks硬件支持页面。这个包包括预构建项目深度学习处理器和数据的比特流到受欢迎的木板像Xilinx ZCU102运动功能。
这个深度学习处理器模块运行卷积和完全连接层,你可以编译各种深度学习网络的运行没有重组FPGA。其余的功能控制层,以及运动和存储的参数和激活,加上接口,允许MATLAB在以太网或JTAG直接交谈。
这是一个车道检测的例子,它使用一系列网络已经训练。它将覆盖车道标记的视频。
第一行代码需要是定义你的目标对象。在这种情况下,目标是Xilinx板,使用以太网接口。
下一行定义了工作流对象,它指定了使用目标对象,比特流,在这种情况下它是我们下载,使用单精度浮点计算,所以你甚至不需要量化定点,当然网络我们要计划到目标上。
第三行编译指令,控制网络和生成的参数。当你在你的网络设计迭代,你可以重新编译并部署到处理器,
这是这里的四行代码——部署功能。这一项目的FPGA比特流如果没有已经编程。和它加载编译指令定义网络,及其参数。
最后第五行是呼吁网络在FPGA上运行的预测。你通常使用它在MATLAB算法等。
就是这样,你可以试着在FPGA上运行您的网络中你的算法。
因为我们从MATLAB加载一个图像到FPGA,它似乎是运行缓慢,但是评估性能概要文件并不是太坏。我们可以调整网络从这里,重新编译和重新评估性能只有几行MATLAB代码。
所以你可以得到即时反馈如何执行在一个FPGA硬件团队无需负担,并最终可以为深度学习处理器生成HDL,你知道可以在硬件中实现。
这些五行MATLAB代码是一套共同的主题在我们的例子中,你可以试着用一个例子最类似于您的应用程序。
相关产品下载188bet金宝搏
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。