深度学习处理器定制和IP生成

配置、构建和生成自定义比特流和处理器IP核，评估和基准自定义深度学习处理器性能

深度学习HDL工具箱™提供了配置、构建和生成自定义比特流和自定义处理器IP的功能。在自定义处理器上获取预先训练的系列网络的性能和资源利用率。使用估计结果优化自定义处理器。

类

dlhdl。ProcessorConfig 配置自定义深度学习处理器

功能

`dlhdl.buildProcessor`	构建和生成自定义处理器IP
`estimatePerformance`	使用`estimatePerformance`方法
`estimateResources`	返回自定义位流配置使用的估计资源
`getModuleProperty`	使用`getModuleProperty`方法获取模块属性的值`dlhdl。ProcessorConfig`对象
`setModuleProperty`	使用`setModuleProperty`方法设置模块的属性`dlhdl。ProcessorConfig`对象
`optimizeConfigurationForNetwork`	检索优化的特定于网络的深度学习处理器配置

主题

定制的处理器配置

自定义处理器配置工作流

通过参数的配置，加速自定义深度学习处理器的估计和优化conv处理器和fc处理器，通过使用dlhdl。ProcessorConfig对象的工作流。

深度学习网络性能评估

部署前分析深度学习网络层时延和整体性能。

估计自定义处理器配置的资源利用率

在部署之前，加快确定满足资源利用预算的目标硬件板的时间。

自定义深度学习处理器参数对性能和资源利用率的影响

通过了解深度学习处理器参数如何影响资源利用率和网络性能，快速原型定制处理器配置和网络。

生成自定义比特流，满足自定义深度学习网络需求

通过生成满足您的性能和资源需求的资源优化定制比特流，部署您的自定义网络，该网络只有具有卷积模块输出格式的层，或只有具有完全连接模块输出格式的层。

自定义处理器代码生成

生成定制的比特流

通过配置、构建和生成自定义比特流，快速原型和迭代自定义深度学习网络性能，然后可以部署到目标FPGA和SoC板。

生成自定义处理器IP

的构建和生成IPdlhdl。ProcessorConfig

特色的例子

定制深度学习处理器生成，以满足性能要求

创建自定义处理器配置并估计预训练系列网络的性能。然后，您可以修改自定义处理器配置的参数并重新估计性能。一旦达到了性能要求，就可以使用自定义处理器配置生成自定义位流。

打开生活的脚本

自定义位流配置以满足资源使用需求

用户希望在Xilinx™ZCU102 ZU4CG设备上部署一个目标性能为每秒500帧(FPS)的数字识别网络。目标设备资源计数如下:

打开生活的脚本

估计自定义板和参考设计的资源利用率

通过使用estimateResources函数，将深度学习网络的部署快速原型化到您的定制板上。估计自定义板的深度学习处理器配置的资源利用率。通过使用estimateResources函数来估计参考设计的资源利用率，优化自定义IP核和参考设计到您的系统中的集成。您使用的合成工具必须在dlhdl的SynthesisTool属性所支持的工具列表中。金宝appProcessorConfig对象。有关所支持的工具和设备系列的金宝app列表，请参阅SynthesisTool和synthesistolchipfamily。

打开生活的脚本

深度学习HDL工具箱文档

金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏

得到审判现在