【ZYNQ7020_mnist】神经网络在FPGA上的部署实现_业界新闻

发布时间:2024-08-04 12:51

阅读量:0

用正点原子ZYNQ7020实现mnist数据集的前向推理

项目流程说明
程序说明

项目流程说明

目前的神经网络并不适合在低功耗处理器上进行训练，但是在fpga中单纯用于任务处理还是有点搞头的。。本项目即实现了最最简单网络模型在FPGA上用于识别最最简单手写数字的tiny级任务。

一、生成预先计划的图片数据文件

从网络下载的mnist数据集包括两个csv数据文件，训练集和测试集，需要将其转换为所需的数据文件供PS端加载。

原始文件 ：网络下载的mnist数据集包括两个csv数据文件，训练集和测试集。每个文件中的每一行有785个数据，第一列为标记，之后的是784个0~255之间的像素值；
需要用数据处理程序读取源文件的某一行并生成 具有特定分隔符 的数据文件；
仅作为测试用，一个文件只保存一幅图像数据即可，可以随机多生成几个文件，一是防止网络模型识别错误的小概率事件发生，二是相互对照便于比较PS端程序的稳定性；
数据均转化为0~1之间的浮点数，每个数据为4字节；
示例程序中使用python脚本读取csv文件，随机生成了5个数据文件。上代码：

import csv import random  def normalize_pixel_value(value):     """Normalize the pixel value to be between 0 and 1."""     return float(value) / 255.0  def read_random_row_from_csv(file_path):     """Read a random row between 1 and 10 from the CSV file and return as a list of normalized floats, excluding the first value."""     with open(file_path, newline='') as csvfile:         reader = list(csv.reader(csvfile))         random_row_index = random.randint(1, 10) - 1  # Randomly select a row index between 0 and 9 (corresponding to rows 1 to 10)         random_row = reader[random_row_index]  # Get the selected row         normalized_data = [normalize_pixel_value(value) for value in random_row[1:]]  # Skip the first value and normalize the rest         return normalized_data  def write_data_to_file(file_path, data):     """Write the data to a file with ',\n\r' as the separator."""     with open(file_path, 'w') as file:         for value in data:             file.write(f"{value},\n\r")  def main():     # Read a random row between 1 and 10 from src.csv     normalized_data = read_random_row_from_csv('data/mnist_test.csv')      # Write the normalized data to b.dat     write_data_to_file('out/a05.dat', normalized_data)  if __name__ == "__main__":     main()

二、搭建模型，训练神经网络，得到权重参数

搭建的神经网络为两个隐藏层、一个输入层、一个输出层，均为全连接网络层线性层，即y = A * x + B ；
输入层节点数为784，隐藏层节点数为64、32，输出层节点数为10；
共有3个网络权重文件和3个偏置数据文件，在网络训练完成后需要各个单独保存；
这6个网络数据文件需要固化在PL端的IP核中；
示例程序中使用python脚本实现了上述功能。上代码：

# Importing necessary libraries import numpy import scipy.special import matplotlib.pyplot  # Defining the neural network class class neuralNetwork:      # Initializing the neural network     def __init__(self, inputnodes, hiddennodes1, hiddennodes2, outputnodes, learningrate):         self.inodes = inputnodes         self.hnodes1 = hiddennodes1         self.hnodes2 = hiddennodes2         self.onodes = outputnodes         self.lr = learningrate                  # Weight initialization         self.wih = numpy.random.normal(0.0, pow(self.inodes, -0.5), (self.hnodes1, self.inodes))         self.whh = numpy.random.normal(0.0, pow(self.hnodes1, -0.5), (self.hnodes2, self.hnodes1))         self.who = numpy.random.normal(0.0, pow(self.hnodes2, -0.5), (self.onodes, self.hnodes2))          # Bias initialization         self.bih = numpy.random.normal(0.0, pow(self.inodes, -0.5), (self.hnodes1, 1))         self.bhh = numpy.random.normal(0.0, pow(self.hnodes1, -0.5), (self.hnodes2, 1))         self.bho = numpy.random.normal(0.0, pow(self.hnodes2, -0.5), (self.onodes, 1))          # Activation function is the sigmoid function         self.activation_function = lambda x: scipy.special.expit(x)      # Training the neural network     def train(self, inputs_list, targets_list):         inputs = numpy.array(inputs_list, ndmin=2).T         targets = numpy.array(targets_list, ndmin=2).T          hidden_inputs1 = numpy.dot(self.wih, inputs) + self.bih         hidden_outputs1 = self.activation_function(hidden_inputs1)          hidden_inputs2 = numpy.dot(self.whh, hidden_outputs1) + self.bhh         hidden_outputs2 = self.activation_function(hidden_inputs2)          final_inputs = numpy.dot(self.who, hidden_outputs2) + self.bho         final_outputs = self.activation_function(final_inputs)          output_errors = targets - final_outputs         hidden_errors2 = numpy.dot(self.who.T, output_errors)         hidden_errors1 = numpy.dot(self.whh.T, hidden_errors2)          self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),                                         numpy.transpose(hidden_outputs2))         self.bho += self.lr * numpy.sum(output_errors * final_outputs * (1.0 - final_outputs), axis=1, keepdims=True)                  self.whh += self.lr * numpy.dot((hidden_errors2 * hidden_outputs2 * (1.0 - hidden_outputs2)),                                         numpy.transpose(hidden_outputs1))         self.bhh += self.lr * numpy.sum(hidden_errors2 * hidden_outputs2 * (1.0 - hidden_outputs2), axis=1, keepdims=True)                  self.wih += self.lr * numpy.dot((hidden_errors1 * hidden_outputs1 * (1.0 - hidden_outputs1)),                                         numpy.transpose(inputs))         self.bih += self.lr * numpy.sum(hidden_errors1 * hidden_outputs1 * (1.0 - hidden_outputs1), axis=1, keepdims=True)      # Querying the neural network     def query(self, inputs_list):         inputs = numpy.array(inputs_list, ndmin=2).T         hidden_inputs1 = numpy.dot(self.wih, inputs) + self.bih         hidden_outputs1 = self.activation_function(hidden_inputs1)          hidden_inputs2 = numpy.dot(self.whh, hidden_outputs1) + self.bhh         hidden_outputs2 = self.activation_function(hidden_inputs2)          final_inputs = numpy.dot(self.who, hidden_outputs2) + self.bho         final_outputs = self.activation_function(final_inputs)          return final_outputs      # Method to save weights and biases to file     def save_parameters(self, filename_prefix):         numpy.savetxt(f"out/{filename_prefix}_wih.dat", self.wih, delimiter=",", newline=",\n\r")         numpy.savetxt(f"out/{filename_prefix}_whh.dat", self.whh, delimiter=",", newline=",\n\r")         numpy.savetxt(f"out/{filename_prefix}_who.dat", self.who, delimiter=",", newline=",\n\r")         numpy.savetxt(f"out/{filename_prefix}_bih.dat", self.bih, delimiter=",", newline=",\n\r")         numpy.savetxt(f"out/{filename_prefix}_bhh.dat", self.bhh, delimiter=",", newline=",\n\r")         numpy.savetxt(f"out/{filename_prefix}_bho.dat", self.bho, delimiter=",", newline=",\n\r")   def main():     input_nodes = 784     hidden_nodes1 = 64     hidden_nodes2 = 32     output_nodes = 10     learning_rate = 0.16     n = neuralNetwork(input_nodes, hidden_nodes1, hidden_nodes2, output_nodes, learning_rate)      training_data_file = open("data/mnist_train.csv", 'r')     training_data_list = training_data_file.readlines()     training_data_file.close()      epochs = 15     for e in range(epochs):         for record in training_data_list:             all_values = record.split(',')             inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01             targets = numpy.zeros(output_nodes) + 0.01             targets[int(all_values[0])] = 0.99             n.train(inputs, targets)      # Save the weights and biases after training     n.save_parameters("mnist")      test_data_file = open("data/mnist_test.csv", 'r')     test_data_list = test_data_file.readlines()     test_data_file.close()      scorecard = []     for record in test_data_list:         all_values = record.split(',')         correct_label = int(all_values[0])         inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01         outputs = n.query(inputs)         label = numpy.argmax(outputs)         scorecard.append(1 if label == correct_label else 0)      scorecard_array = numpy.asarray(scorecard)     print("performance = ", scorecard_array.sum() / scorecard_array.size)   if __name__ == "__main__":     main()

三、HLS设计

加载训练好的神经网络数据文件，可以在代码中添加预编译： #inculde 文件 指令，HLS支持。。。
HLS需要用 c++ 代码实现线性层和激活层的运算，主要为for循环；
添加约束和优化指令，主要是指定输入输出端口为bram总线型；最好关闭一些for循环的流水线，否则dsp资源不够用;
编写测试文件对源文件进行调试，减少返工。。
示例程序中上述功能测试已经过运行验证。

四、Vivado设计

导入生成的IP核，正点原子的板卡不要忘了修改makefile文件；
需要用到的外设有 DDR、UART、SD ，另外再添加上bram控制器和生成器，然后添加自定义的网络模型IP核，IP核不用更改内部参数设置，分配合适的地址和空间即可；
分析综合布局布线生成bit文件并导出硬件平台信息;
示例程序中上述功能测试已经过运行验证。