在Intel FPGA上使用MATLAB实现深度学习原型
基于fpga的硬件非常适合在嵌入式设备上进行深度学习推理,因为它们可以提供低延迟和低功耗。早期原型对于开发可以有效部署到FPGA的深度学习网络至关重要。
了解深度学习HDL工具箱™如何直接从MATLAB自动化深度学习网络的FPGA原型®.只需几行MATLAB代码,就可以在Intel上部署和运行推理®Arria 10 SoC板。这种直接连接允许您在FPGA上运行深度学习推理,作为MATLAB应用程序的一部分,因此您可以更快地收敛到满足系统需求的网络上。
fpga非常适合在边缘设备中进行深度学习推理,因为它们具有较低的延迟,并且比cpu或gpu使用更少的功耗,我们开始看到它们被设计到各种应用程序中。
但是边缘部署带来了速度、大小和功耗等限制,这迫使在基于fpga的硬件上实现深度学习网络的权衡。因此,对于工程师来说,能够在网络设计和FPGA部署之间快速迭代变得至关重要。
使用深度学习HDL工具箱,您可以开始从MATLAB在FPGA上运行推理,只需在现有的深度学习代码中添加5行代码,因此您可以在MATLAB中进行实验和迭代。
要快速入门,请从插件资源管理器或MathWorks硬件支持页面下载Intel深度学习H金宝appDL工具箱支持包。该软件包包括预构建的比特流,该比特流为深度学习处理器和数据移动功能编程到英特尔Arria 10 SoC等流行板上。
这个深度学习处理器有运行卷积和全连接层的模块,你可以编译各种深度学习网络来运行它们,而无需重新编程FPGA。其余的功能控制层,以及参数和激活的移动和存储,以及允许MATLAB通过以太网或JTAG直接与它对话的接口。
这是一个车道检测的例子,它使用了一个已经训练过的串联网络。它会在视频上覆盖车道标记。
您需要的第一行代码是定义目标对象。在本例中,目标是使用JTAG接口的Intel板。
下一行定义了工作流对象,它指定了使用目标对象的位流——在本例中是我们下载的使用单精度浮点计算的位流,因此您甚至不需要量化到定点,当然还有我们想要在目标上编程的网络。
第三行编译控制网络的指令并生成参数。当你迭代你的网络设计时,你可以重新编译并部署到处理器,
这是这里的第四行代码——部署函数。如果比特流还没有被编程,这个程序会用比特流来编程FPGA。它加载定义网络的编译指令及其参数。
最后,第五行是调用网络在FPGA上运行预测。你通常会在MATLAB算法中用到它。
就是这样,您可以在算法上下文中尝试在FPGA上运行网络。
在这里,因为我们一次从MATLAB加载一个图像到FPGA,它似乎运行得很慢,但评估性能配置文件,它不是太差。只需几行MATLAB代码,我们就可以对网络进行调整、重新编译和重新评估性能。
因此,您可以立即获得关于它在FPGA上如何执行的反馈,而不必给硬件团队带来负担,最终您可以为您知道可以在硬件中实现的深度学习处理器生成HDL。
这5行MATLAB代码在我们的示例套件中是一个共同的主题,因此您可以使用与您的应用程序最相似的示例之一进行尝试。
相关产品下载188bet金宝搏
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。