深度学习HDL工具箱™支持序列卷积神经网络(cnn或C金宝apponvNets)的代码生成。您可以为任何训练有素的卷积神经网络生成代码,这些神经网络的计算层支持代码生成。金宝app看到金宝app支持层.您可以使用表中列出的预先训练过的网络之一,并为您的目标Intel生成代码®或Xilinx®FPGA板。
网络 | 网络描述 | 类型 | 单一数据类型(带有传输比特流) | INT8数据类型(带有Shipping Bitstreams) | 应用领域 | ||||
ZCU102 | ZC706 | Arria10 SoC. | ZCU102 | ZC706 | Arria10 SoC. | 分类 | |||
AlexNet | 卷积神经网络。 |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
记录 | 标志识别网络(LogoNet)是一个MATLAB软件®开发标识识别网络。有关更多信息,请参阅标志识别网络. |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
MNIST | MNIST数字分类。看到为分类创建简单的深度学习网络 |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
车道检测 | 卷积神经网络。有关更多信息,请参阅部署用于车道检测的迁移学习网络 |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
VGG-16 | VGG-16卷积神经网络。对于预先训练的VGG-16模型,请参见 |
系列网络 | 编号网络超过PL DDR内存大小 | 不。网络超过FC模块内存大小。 | 是的 | 是的 | 不。网络超过FC模块内存大小。 | 是的 | 分类 |
VGG-19 | vgg19卷积神经网络。关于预先训练的VGG-19模型,请参见 |
系列网络 | 编号网络超过PL DDR内存大小 | 不。网络超过FC模块内存大小。 | 是的 | 是的 | 不。网络超过FC模块内存大小。 | 是的 | 分类 |
Darknet-19. | Darknet-19卷积神经网络。关于预先训练的暗网-19模型,请看 |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
雷达分类 | 卷积神经网络,使用微多普勒签名来标识和分类对象。有关更多信息,请参阅使用FPGA自行车和行人分类. | 系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类和软件定义的无线电(SDR) |
缺陷检测snet_defnet. |
snet_defnet. 是一个用于识别和分类缺陷的定制AlexNet网络。有关更多信息,请参阅缺陷检测. |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
缺陷检测snet_blemdetnet |
snet_blemdetnet 是一种用于识别和分类缺陷的自定义卷积神经网络。有关更多信息,请参阅缺陷检测. |
系列网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 |
YOLO V2车辆检测 | 你只看一次(YOLO)是一个物体探测器,它解码卷积神经网络的预测,并在物体周围生成边界框。有关更多信息,请参阅车辆检测使用YOLO v2部署在FPGA上 | 系列网络基于 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 对象检测 |
Darknet-53. | Darknet-53卷积神经网络。对于预磨削的Darknet-53模型,请参阅darknet53 . |
基于有向无环图(DAG)网络 | 编号网络超过PL DDR内存大小. | 编号网络超过PL DDR内存大小. | 是的 | 是的 | 是的 | 是的 | 分类 |
ResNet-18 | 卷积神经网络。关于预先训练的ResNet-18模型,请参见resnet18 . |
基于有向无环图(DAG)网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 分类 | |
ResNet-50 | ResNet-50卷积神经网络。关于预先训练的ResNet-50模型,请看resnet50 . |
基于有向无环图(DAG)网络 | 编号网络超过PL DDR内存大小. | 编号网络超过PL DDR内存大小. | 是的 | 是的 | 是的 | 是的 | 分类 |
ResNet-based YOLO v2意思 | 你只看一次(YOLO)是一个物体探测器,它解码卷积神经网络的预测,并在物体周围生成边界框。有关更多信息,请参阅基于YOLO v2的DAG网络车辆检测部署在FPGA上. | 基于有向无环图(DAG)网络 | 是的 | 是的 | 是的 | 是的 | 是的 | 是的 | 对象检测 |
MobileNetV2 | v2卷积神经网络。关于预先训练过的MobileNet-v2模型,请参见mobilenetv2 . |
基于有向无环图(DAG)网络 | 是的 | 是的 | 是的 | 没有 | 没有 | 没有 | 分类 |
以下层由深度学习HDL工具箱支持。金宝app
层 | 层类型硬件(HW)或软件(SW) | 描述和限制 | INT8兼容 |
sw | 图像输入层将2-D图像输入到网络并应用数据归一化。 |
是的。在SW中作为单一数据类型运行。 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
HW | 卷积(Conv) | 2-D卷积层将滑动卷积滤波器应用于输入。 这些限制适用于使用此层为网络生成代码:
|
是的 |
|
HW | 卷积(Conv) | 一个二维分组卷积层将输入通道分成组,并应用滑动卷积滤波器。使用分组卷积层进行信道可分(也称为深度可分)卷积。 现在支持代码生成,其中有2-D分组的卷积图层金宝app 这些限制适用于使用此层为网络生成代码:
|
是的 |
|
HW | 完全连接(FC) | 完全连接的层将输入乘以权重矩阵,然后添加偏置向量。 这些限制适用于使用此层为网络生成代码:
|
是的 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
HW | 层是融合。 | ReLU层对输入中的每个元素执行一个阈值操作,其中任何小于零的值都被设置为零。 只有当ReLU层前面有以下任何一金宝app层时,它才被支持:
|
是的 |
|
HW | 层是融合。 | 泄漏的Relu层执行阈值操作,其中除零小于零的任何输入值乘以固定标量。 仅在其中任何层次之前都支持泄漏的Relu层:金宝app
|
是的 |
|
HW | 层是融合。 | 被裁剪的ReLU层执行一个阈值操作,其中任何小于0的输入值都被设置为0,任何高于剪裁天花板设置为该剪裁上限值。 一个被裁剪的ReLU层只有在前面有以下任何一层时金宝app才被支持:
|
是的 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
HW | 层是融合。 | 批量归一化层将跨越批次的每个输入通道标准化。 仅在卷积层之前仅支持批量归一化层。金宝app |
是的 |
|
HW | 卷积(Conv) | 信道本地响应(跨信道)归一化层执行信道归一化。 这 |
是的。在HW中作为单一数据类型运行。 |
|
等待在推理 | 等待在推理 | 丢弃层随机将输入元素随机设置为零,具有给定的概率。 |
是的 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
HW | 卷积(Conv) | 最大池层通过将输入除以矩形池区域并计算每个区域的最大值来执行抽样。 这些限制适用于使用此层为网络生成代码:
|
是的 |
|
HW | 卷积(Conv) | 平均池层通过将输入划分为矩形池区域并计算每个区域的平均值来执行下抽样。 这些限制适用于使用此层为网络生成代码:
|
是的 |
|
HW | 卷积(CONV)或完全连接(FC)。当输入激活大小低于存储器阈值时,层输出格式是FC。 | 全局平均池层通过计算输入的高度和宽度尺寸的平均值而执行抽样。 这些限制适用于使用此层为网络生成代码:
|
是的 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
HW | 继承从输入。 | 添加层从多个神经网络层元素中添加输入。 这些限制适用于使用此层为网络生成代码:
|
是的 | |
HW | 继承从输入。 | 深度级联层接受具有相同高度和宽度的输入,并沿第三维(通道维)将它们级联。 这些限制适用于使用此层为网络生成代码:
|
没有 |
层 | 层类型硬件(HW)或软件(SW) | 层输出格式 | 描述和限制 | INT8兼容 |
nnet.keras.layer.flattencstylayer. |
HW | 层将被融合 | 按c风格(行为主)顺序将激活平铺成一维层。 一种 |
是的 |
nnet.keras.layer.ZeroPadding2dLayer |
HW | 层将被融合。 | 用于二维输入的零填充层。 一种 |
是的 |
这些板由深度学习HDL工具箱支持:金宝app
Xilinx Zynq®-7000 ZC706。
英特尔arria.®10 SOC。
Xilinx Zynq UltraScale+™MPSoC ZCU102。
深度学习HDL工具箱已被测试:
Xilinx Vivado设计套件2020.1
英特尔Quartus Prime 18.1