【FPGA】基于HLS的全连接神经网络手写体识别

目录

一 系统分析

1.1 全连接神经网络简介

 二 通过HLS 编写全连接神经网络传入权重参数和偏置参数文件

2.1  获得图片、权重以及偏置的参数

2.2 编写C语言的全连接算子

2.3 Slave Interfaces

2.3.1 hls_avalon_slave_component

 2.3.2 hls_avalon_slave_register_argument

2.3.3  slave_memory_argument

三 输入图片进行测试并生成IP

3.1 编译、测试

3.1.1 初始化环境

3.1.2 编译

3.2 添加IP进Quartus并添加到SOC工程中生成硬件

3.2.1 将IP文件夹复制到黄金工程的IP文件夹下

 3.2.2 打开黄金工程

四 更新SD卡

4.1 生成设备树

4.2 生成rbf文件

4.3 更新头文件

​编辑

五 设计软件

 5.1 新建C工程

 5.2 代码设计

六 调试

七 参考链接



一 系统分析

1、手写体输入为28x28的黑白图片,所以输入为784个
2、输出为识别0-9的数字的概率,所以有10个输出
3、输入只能是-1~1的小数,主要是防止计算溢出

1.1 全连接神经网络简介

全连接神经网络模型是一种多层感知机(MLP),感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面,最具代表的感知机是SVM支持向量机算法。神经网络同时借鉴了感知机和仿生学,通常来说,动物神经接受一个信号后会发送各个神经元,各个神经元接受输入后根据自身判断,激活产生输出信号后汇总从而实现对信息源实现识别、分类,一个典型的神经网络如下图所示:
【FPGA】基于HLS的全连接神经网络手写体识别_第1张图片

 上图是典型的全连接神经网络模型(DNN),有的场合也称作深度神经网络,与传统的感知机不同,每个结点和下一层所有结点都有运算关系,这就是名称中‘全连接’的含义,上图的中间层也成为隐藏层,全连接神经网络通常有多个隐藏层,增加隐藏层可以更好分离数据的特征,但过多的隐藏层也会增加训练时间以及产生过拟合。
 

观察上图,输入数据是一个3维向量,隐藏层有5个结点,意味着通过线性映射将3维向量映射为一个5维向量,最后再变为一个2维向量输出。当原输入数据是线性不可分时,全连接神经网络是通过激活函数产生出非线性输出,常见的激活函数有Sigmoid,Tanh,Relu,分别如下图所示:

 【FPGA】基于HLS的全连接神经网络手写体识别_第2张图片

 全连接神经网络训练分为前向传播、后向传播两个过程,前向传播数据沿输入到输出后计算损失函数值,后向传播则是一个优化过程,利用梯度下降法减小前向传播产生的损失函数值,从而优化、更新参数。

 简言之:

输入层输入数据,在经过中间隐藏层计算,最后通过右边输出层输出数据

 本次项目做的手写体识别就是基于全连接神经网络来实现的

 二 通过HLS 编写全连接神经网络传入权重参数和偏置参数文件

2.1  获得图片、权重以及偏置的参数

python+tensorflow对mnist数据集的神经网络训练和推理 加参数提取

参数提取

2.2 编写C语言的全连接算子

头文件导入 :

#include 
#include "HLS/hls.h"

#include "input_0.h"//十幅图片
#include "input_1.h"
#include "input_2.h"
#include "input_3.h"
#include "input_4.h"
#include "input_5.h"
#include "input_6.h"
#include "input_7.h"
#include "input_8.h"
#include "input_9.h"

#include "layer1_bias.h"    //第一层偏置常数
#include "layer1_weight.h"  //第一层权重
#include "layer2_bias.h"    //第二层偏置常数
#include "layer2_weight.h"  //第二层权重值

将十幅图像导入,并且将权重和偏置参数头文件加入进去

2.3 Slave Interfaces

Intel HLS Compiler提供了两种不同类型的从接口,您可以在组件中使用它们。一般来说,较小的标量输入应该使用从寄存器。如果您打算将大数组复制到组件中或从组件中复制出来,那么应该使用从属内存。

【FPGA】基于HLS的全连接神经网络手写体识别_第3张图片

 【FPGA】基于HLS的全连接神经网络手写体识别_第4张图片

2.3.1 hls_avalon_slave_component

【FPGA】基于HLS的全连接神经网络手写体识别_第5张图片

#include 
#include 
hls_avalon_slave_component 
component int dut(int a,int b)
{
    return a*b;
}
int main()
{
    int a=2;
    int b=3;
    int y;
    y = dut(a,b);
    printf("y=%d",y);
    return 0;
}

 2.3.2 hls_avalon_slave_register_argument

【FPGA】基于HLS的全连接神经网络手写体识别_第6张图片

#include 
#include 

hls_avalon_slave_component 
component int dut(
                int a,
                hls_avalon_slave_register_argument int b)
{
    return a*b;
}
int main()
{
    int a=2;
    int b=3;
    int y;
    y = dut(a,b);
    printf("y=%d",y);
    return 0;
}

 可见 b 变成了寄存器

【FPGA】基于HLS的全连接神经网络手写体识别_第7张图片

2.3.3  slave_memory_argument

【FPGA】基于HLS的全连接神经网络手写体识别_第8张图片

#include 
#include 

hls_avalon_slave_component 
component int dut(
    hls_avalon_slave_memory_argument(5*sizeof(int)) int *a,
    hls_avalon_slave_memory_argument(5*sizeof(int)) int *b
)
{
    int i;
    int sum=0;
    for(i=0;i<5;i++)
    {
        sum =  sum + a[i] * b[i];
        //printf("a[%d]%d",i,a[i]);
    }
    return sum;
}

int main()
{
    int a[5] = {1,2,3,4,5};
    int b[5] = {1,2,3,4,5};
    int sum;
    sum = dut(a,b);
    printf("sum=%d",sum);
    return 0;
}

这样子 a、b都变成了存储器类型

【FPGA】基于HLS的全连接神经网络手写体识别_第9张图片

 本次实验就是使用HLS将输入图片、权重、偏置生成为从存储器类型的电路元件,方便后续在软件端将数据存入从存储器中并调用。

全连接代码:

#include 
#include "HLS/hls.h"

#include "input_0.h"//十幅图片
#include "input_1.h"
#include "input_2.h"
#include "input_3.h"
#include "input_4.h"
#include "input_5.h"
#include "input_6.h"
#include "input_7.h"
#include "input_8.h"
#include "input_9.h"

#include "layer1_bias.h"    //第一层偏置常数
#include "layer1_weight.h"  //第一层权重
#include "layer2_bias.h"    //第二层偏置常数
#include "layer2_weight.h"  //第二层权重值

hls_avalon_slave_component component
int my_predit(
    hls_avalon_slave_memory_argument(784*sizeof(float)) float *img,
    hls_avalon_slave_memory_argument(64*sizeof(float)) float *b1,
    hls_avalon_slave_memory_argument(784*64*sizeof(float)) float *w1,
    hls_avalon_slave_memory_argument(10*sizeof(float)) float *b2,
    hls_avalon_slave_memory_argument(64*10*sizeof(float)) float *w2){
        
    float res1[64]={0},res2[10]={0};    //创建两个浮点数数组 yongyu

//循环1
/*  w1权重在 layer1_weight.h 中按照一行64个,784列顺序排列,
     但实际上是一维数组,我们计算第一层64个神经元的输出*/
    for (int i = 0; i < 64; i++)
    {
        for (int j = 0; j < 784; j++)
        {
            res1[i] = res1[i]+ img[j] * w1[i+j*64];     //w1x1+w2x2 ... wnxn+b            
        }      
        res1[i] +=b1[i]; //得到第一层的输出
        //printf("%f \n",res1[i]);   
    }
//循环2
    for (int i = 0; i < 10; i++)
    {
        for (int j = 0; j < 64; j++)
        {
           res2[i] = res2[i]+ res1[j] * w2[i+j*10]; //输入第一层的输出
        }
        res2[i] +=b2[i];  
        //printf("%f \n",res2[i]);    
    }
//输出
    float temp = 0; //用一个中间值来寄存特征值最大值
    int res3;
    for (int i = 0; i < 10; i++)
    {
        //printf("%f \n",res2[i]);
        if (res2[i] > temp) //比较10个特征值,找出最大值
        {
            temp = res2[i];
            res3 = i;       //res3的值即为输出层数组中特征值最大值对应的下标 ,也是我们想要的结果
        }
    }  
    return res3;    //最后返回i,即是我们的预测结果
}

int main()
{   
    //用指针数组来表示10幅图片
    float *a[10] = {input_0,input_1,input_2,input_3,input_4,input_5,input_6,input_7,input_8,input_9};

    for (int i = 0; i < 10; i++)    //循环输出训练结果
    {
        int res =  my_predit(a[i],layer1_bias,layer1_weight,layer2_bias,layer2_weight);//调用函数输出返回值
        printf("input_%d.h预测结果为:%d\n",i,res);
    }
    
    return 0;
}

三 输入图片进行测试并生成IP

main函数的作用仅仅是测试用的,并没有实际的意义,目的就是将十幅图像的像素输入,得到返回结果并输出。

3.1 编译、测试

3.1.1 初始化环境

就是进入到你Quartus安装目录下的HLS路径下,用终端运行后,初始化hls环境。

下面以我的安装目录为例,作为示范:

1 :先找到路径

【FPGA】基于HLS的全连接神经网络手写体识别_第10张图片

 2 : 敲cmd 回车

【FPGA】基于HLS的全连接神经网络手写体识别_第11张图片

 3 :输入初始化命令

【FPGA】基于HLS的全连接神经网络手写体识别_第12张图片

 【FPGA】基于HLS的全连接神经网络手写体识别_第13张图片

 初始化完成。

3.1.2 编译

终端先不关闭,还要进行编译工作

回到你代码编写的路径下

在 x86-64平台上编译:

 -v : 作用是显示信息

-0 full :生成名为 full 的可执行文件

运行结果:

【FPGA】基于HLS的全连接神经网络手写体识别_第14张图片

 在FPGA平台上编译测试:

【FPGA】基于HLS的全连接神经网络手写体识别_第15张图片

 【FPGA】基于HLS的全连接神经网络手写体识别_第16张图片

 生成IP文件夹

到这里神经网络IP制作完成。

3.2 添加IP进Quartus并添加到SOC工程中生成硬件

3.2.1 将IP文件夹复制到黄金工程的IP文件夹下

 3.2.2 打开黄金工程

1. 打开platform designer

【FPGA】基于HLS的全连接神经网络手写体识别_第17张图片

2 添加神经网络IP到工程并连线

【FPGA】基于HLS的全连接神经网络手写体识别_第18张图片

 【FPGA】基于HLS的全连接神经网络手写体识别_第19张图片

 将 Avalon Memory Mapped Slave接口的 权重、偏置、图片、控制状态存储器连接到 mm_bridgeavalon Memory Mapped Masterm0上 ,时钟和复位都连到mm_bridge上,irq连接到 f2h_irq0.

3. 然后分配基地址

【FPGA】基于HLS的全连接神经网络手写体识别_第20张图片

4. generate

一般会编译十几分钟,慢慢等吧。

5. 全编译

这一步会更久,半小时加,可以直接去设计软件端。

编译完后会生成sof文件

四 更新SD卡

4.1 生成设备树

打开EDS工具,是Intel专门为SOC FPGA开发设计的一款工具,类似于终端。里面包含了很多工具。

进入到黄金工程目录后,

更新设备树文件:

make dtb    

生成设备树文件

 

4.2 生成rbf文件

进入黄金工程目录下的output_files目录下,双击sof_to_rbf.bat

【FPGA】基于HLS的全连接神经网络手写体识别_第21张图片

 

 二进制文件更新完毕。

4.3 更新头文件

./generate_hps_qsys_header.sh

 【FPGA】基于HLS的全连接神经网络手写体识别_第22张图片

 将更新的后的二进制文件和设备树文件更换SD卡中的文件。

五 设计软件

 5.1 新建C工程

创建完项目,再创建c程序,

添加库文件路径:

【FPGA】基于HLS的全连接神经网络手写体识别_第23张图片

 路径是根据自己安装目录下去寻找。

编写源代码,添加权重、偏置、测试图片文件

将全连接生成的权重、偏置、测试图片的头文件以及hps_0.h复制到工程中。

【FPGA】基于HLS的全连接神经网络手写体识别_第24张图片

 5.2 代码设计

/*
 * full.c
 *
 *  Created on: 2022年7月27日
 *      Author: 药石无医
 */


#include "layer1_bias.h"
#include "layer1_weight.h"
#include "layer2_bias.h"
#include "layer2_weight.h"

#include "input_0.h"//十幅图片
#include "input_1.h"
#include "input_2.h"
#include "input_3.h"
#include "input_4.h"
#include "input_5.h"
#include "input_6.h"
#include "input_7.h"
#include "input_8.h"
#include "input_9.h"

//gcc标准头文件
#include 
#include 
#include 
#include 
#include 

//HPS厂家提供的底层定义头文件
#define soc_cv_av //开发平台Cyclone V 系列

#include "hwlib.h"
#include "socal/socal.h"
#include "socal/hps.h"

//与用户具体的HPS 应用系统相关的硬件描述头文件
#include "hps_0.h"

#define HW_REGS_BASE (ALT_STM_OFST)     //HPS外设地址段基地址
#define HW_REGS_SPAN (0x04000000)		//HPS外设地址段地址空间 64MB大小
#define HW_REGS_MASK (HW_REGS_SPAN - 1) //HPS外设地址段地址掩码

static volatile unsigned long long *dout = NULL;

static  float *img_virtual_base = NULL;
static  float *b1_virtual_base = NULL;
static  float *b2_virtual_base = NULL;
static  float *w1_virtual_base = NULL;
static  float *w2_virtual_base = NULL;

int full_init(int *virtual_base){
	int fd;
	void *virtual_space;
//使能mmu
	if((fd = open("/dev/mem",(O_RDWR | O_SYNC))) == -1){
		printf("can't open the file");
		return fd;
	}

//映射用户空间
	virtual_space = mmap(NULL,HW_REGS_SPAN,(PROT_READ | PROT_WRITE),MAP_SHARED,fd,HW_REGS_BASE);

//得到偏移的外设地址
	dout    = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_CRA_BASE)
			&(unsigned)(HW_REGS_MASK));
	b1_virtual_base      = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_B1_BASE)
			&(unsigned)(HW_REGS_MASK));
	b2_virtual_base      = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_B2_BASE)
			&(unsigned)(HW_REGS_MASK));
	w1_virtual_base      = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_W1_BASE)
				&(unsigned)(HW_REGS_MASK));
	w2_virtual_base      = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_W2_BASE)
				&(unsigned)(HW_REGS_MASK));
	img_virtual_base     = virtual_space + ((unsigned)(ALT_LWFPGASLVS_OFST+PREDIT_0_MY_PREDIT_INTERNAL_INST_AVS_IMG_BASE)
					&(unsigned)(HW_REGS_MASK));
	*virtual_base = virtual_space;
	return fd ;
}

int main(){
	int fd,virtual_base,i;
	fd = full_init(&virtual_base);
	float *image[10] = {input_0,input_1,input_2,input_3,input_4,input_5,input_6,input_7,input_8,input_9};

	//先将权重和偏置赋值
	memcpy(w1_virtual_base,layer1_weight,784*64*sizeof(float));
	memcpy(b1_virtual_base,layer1_bias,64*sizeof(float));
	memcpy(w2_virtual_base,layer2_weight,64*10*sizeof(float));
	memcpy(b2_virtual_base,layer2_bias,10*sizeof(float));

	//一层for循环输出十张图片的值

	for(i=0;i<10;i++)
	{
		memcpy(img_virtual_base,image[i],784*sizeof(float));
		while((*(dout + 0)&(unsigned)1) != 0);
		*(dout + 2) = 1;
		*(dout + 3) = 1;
		*(dout + 1) = 1;

		while((*(dout + 3) & 0x2) == 0 );
		printf("input:%d 预测结果:%d                                          \n",i,*(dout + 4));
		*(dout + 1) = 0;
	}



//取消映射
	//取消地址映射
		if(munmap(virtual_base,HW_REGS_SPAN)==-1){
			printf("取消映射失败..\n");
			close(fd);
		}
		//关闭mmu
		close(fd);
		return 0;

}

保存之后编译生成二进制可执行文件。

六 调试

上板验证,这一步就偷个懒,就是连接开发板和电脑,将可执行文件复制到

/opt 目录下

给可执行文件赋予权限

chmod 777 full

之后就可以运行了。

最终可实现对28 *28 的手写体图片的识别。并显示出结果

七 参考链接

HLS的各种接口案例实现

 全连接神经网络

你可能感兴趣的:(fpga开发,神经网络,人工智能)