深度学习HDL工具箱
在fpga和soc上建立并部署深度学习网络
Deep Learning HDL Toolbox™提供了在fpga和soc上原型和实现深度学习网络的功能和工具。它提供了预构建的比特流,用于在受支持的Xilinx上运行各种深度学习网络金宝app®和英特尔®FPGA和SOC设备。分析和估算工具可让您通过探索设计,性能和资源利用权衡来定制深度学习网络。
Deep Learning HDL Toolbox使您能够定制您的深度学习网络的硬件实现,并生成可移植的,可合成的Verilog®和硬件描述语言(VHDL)®代码部署在任何FPGA(与HDL编码器™和Simulink金宝app®)。
开始:
可编程深度学习处理器
工具箱包括一个深度学习处理器,具有通用卷积和由调度逻辑控制的全连接层。这种深度学习处理器执行基于fpga的网络推断使用深度学习工具箱™。高带宽存储器接口层和重量数据的速度存储器传输。
汇编和部署
将你的深度学习网络编译成一套指令,由深度学习处理器运行。部署到FPGA并运行预测,同时捕获设备上的实际性能指标。
开始使用预构建的比特流
使用FPGA编程使用可用的FPGA开发套件的可用比特流进行原型。
创建部署网络
首先使用深度学习工具箱来设计、训练和分析您的深度学习网络,以完成诸如对象检测或分类等任务。您还可以从其他框架导入经过训练的网络或层开始。
将您的网络部署到FPGA
一旦您有培训的网络,使用部署
命令对FPGA进行编程,使用深度学习处理器以及以太网或JTAG接口。然后使用编译
命令为你的训练网络生成一组指令,而无需重新编程FPGA。
作为MATLAB应用程序的一部分运行基于FPGA的推理
在MATLAB中运行整个应用程序®,包括您的测试平台、预处理和后处理算法,以及基于fpga的深度学习推理。一个MATLAB命令,预测
,执行FPGA上的推理,并将结果返回到MATLAB工作区。
优化网络设计
使用配置文件指标,使用深度学习工具箱调整网络配置。例如,使用深网络设计器添加图层,删除图层或创建新连接。
深度学习量化
通过将深度学习网络量化到固定点表示来降低资源利用率。使用模型量化库支持包分析准确性和资源利用率之间的权衡。金宝app
生成Synthesizable RTL
使用HDL编码器生成综合RTL从深度学习处理器用于各种实现工作流和设备。在原型和产品部署中重用相同的深度学习处理器。
为集成生成IP核
当HDL编码器从深度学习处理器生成RTL时,它还产生具有标准AXI接口的IP核心,以集成到SOC参考设计。