CNN - FPGA

• CNN - FPGA
  • 项目由来
  • 使用
    • Conv2d
    • Max_pool
    • Avg_pool
    • Relu_activation
    • FullConnect
  • 使用示例

项目由来

  毕业设计，为了蹭热点，选了几个和人工智能相关的课题，本意是希望通过毕业设计让自己了解一下机器学习，比如CNN一类的。很不幸，被体系结构实验室的老师抢走了。于是就面临了这个偏硬件的课题，用FPGA加速人工智能算法。
  毕竟只是本科毕业设计，这个课题在我手里就变成了用FPGA加速CNN，本来的目的还是要完成，在大致了解了CNN之后，还是在极不情愿中做完了这个项目。
  项目本质很简单，使用Verilog实现了一些CNN的模块。几乎没有多少实用价值。 另外，和大多数FPGA加速CNN的项目一样，本项目只能运行推断，不能学习，所以没有后向传播这不怪我，Xilinx自己都已经放弃治疗了。

使用

  模块设计上参照了tensorflow。因为使用了全并行的设计，所以没有引入时序，也没有做流水线我不信哪块FPGA板子的部件延迟会大过总线周期，所以在资源占用上很不合理，可能需要在规模很大的FPGA板子上才能实现一个较大的网络吧也就是说本项目毫无卵用

有以下几个模块：

Conv2d

说明：

  卷积模块，可以进行二维卷积。支持多个卷积核，不同步长，是否启用边缘0填充等

可配置参数：

名称	说明	默认值
BITWIDTH	数据位宽	8
DATAWIDTH	图像的宽度	28
DATAHEIGHT	图像的高度	28
DATACHANNEL	图像通道数	3
FILTERHEIGHT	卷积核的高度	5
FILTERWIDTH	卷积核的宽度	5
FILTERBATCH	卷积核的数量	1
STRIDEHEIGHT	纵向步长	1
STRIDEWIDTH	横向步长	1
PADDINGENABLE	边缘是否使用0填充，1代表是，0代表否	0

输入输出：

名称	类型	说明	长度
data	input	输入的图像，数据从第一个通道左上至最后一个通道右下排列，每一个像素值为有符号定点数	BITWIDTH × DATAWIDTH × DATAHEIGHT × DATACHANNEL
filterWeight	input	卷积核权值，从第一个卷积核左上开始，到最后一个卷积核右下，每一个值为有符号定点数	BITWIDTH × FILTERHEIGHT × FILTERWIDTH × DATACHANNEL × FILTERBATCH
filterBias	input	卷积核偏置，按卷积核顺序排列，每一个值为有符号定点数	BITWIDTH × FILTERBATCH
result	output	输出的特征图，从第一张左上开始，到最后一张右下，每一个值为有符号定点数	BITWIDTH × FILTERBATCH × (PADDINGENABLE == 0 ? (DATAWIDTH - FILTERWIDTH + 1) ÷ STRIDEWIDTH : (DATAWIDTH ÷ STRIDEWIDTH)) × (PADDINGENABLE == 0 ? (DATAHEIGHT - FILTERHEIGHT + 1) ÷ STRIDEHEIGHT : (DATAHEIGHT ÷ STRIDEHEIGHT))

Max_pool

说明：

  最大池化模块，可以对输入进行最大池化运算。

可配置参数：

名称	说明	默认值
BITWIDTH	数据位宽	8
DATAWIDTH	特征图的宽度	28
DATAHEIGHT	特征图的高度	28
DATACHANNEL	特征图通道数	3
KWIDTH	池化窗口宽度	2
KHEIGHT	池化窗口高度	2

输入输出：

名称	类型	说明	长度
data	input	输入的特征图，像素数据从左上至右下排列，每一个值为有符号定点数	BITWIDTH × DATAWIDTH × DATAHEIGHT × DATACHANNEL
result	output	输出的特征图，从第一个通道左上到最后一个通道右下，每一个值为有符号定点数	BITWIDTH × DATAWIDTH ÷ KWIDTH × DATAHEIGHT ÷ KHEIGHT × DATACHANNEL

Avg_pool

说明：

  平均池化模块，可以对输入进行平均池化运算。

可配置参数：

名称	说明	默认值
BITWIDTH	数据位宽	8
DATAWIDTH	特征图的宽度	28
DATAHEIGHT	特征图的高度	28
DATACHANNEL	特征图通道数	3
KWIDTH	池化窗口宽度	2
KHEIGHT	池化窗口高度	2

输入输出：

名称	类型	说明	长度
data	input	输入的特征图，数据从第一个通道左上至最后一个通道右下排列，每一个值为有符号定点数	BITWIDTH × DATAWIDTH × DATAHEIGHT × DATACHANNEL
result	output	输出的特征图，从第一个通道左上到最后一个通道右下，每一个值为有符号定点数	BITWIDTH × DATAWIDTH ÷ KWIDTH × DATAHEIGHT ÷ KHEIGHT × DATACHANNEL

Relu_activation

说明：

  ReLU激活函数模块。可以根据情况决定卷积之后的特征图要不要连接激活函数。

可配置参数：

名称	说明	默认值
BITWIDTH	数据位宽	8
DATAWIDTH	特征图的宽度	28
DATAHEIGHT	特征图的高度	28
DATACHANNEL	特征图通道数	3

输入输出：

名称	类型	说明	长度
data	input	输入的特征图，数据从第一个通道左上至最后一个通道右下排列，每一个值为有符号定点数	BITWIDTH × DATAWIDTH × DATAHEIGHT × DATACHANNEL
result	output	输出的特征图，从第一个通道左上到最后一个通道右下，每一个值为有符号定点数	BITWIDTH × DATAHEIGHT × DATAWIDTH × DATACHANNEL

FullConnect

说明：

  全连接层模块。数据会被展开为一维矩阵，进行全连接运算。

可配置参数：

名称	说明	默认值
BITWIDTH	数据位宽	8
LENGTH	输入数据展开后的长度	25
FILTERBATCH	全连接层参数矩阵的个数	1

输入输出：

名称	类型	说明	长度
data	input	输入的特征图，数据从第一个通道左上至最后一个通道右下排列，每一个值为有符号定点数	BITWIDTH × LENGTH
weight	input	参数矩阵的权值，从第一个参数矩阵开头至最后一个参数矩阵结尾，每一个值为有符号定点数	BITWIDTH × LENGTH × FILTERBATCH
bias	input	参数矩阵的偏置，按参数矩阵顺序排列，每一个值为有符号定点数	BITWIDTH × FILTERBATCH
result	output	输出结果也为一维矩阵，每一个值为有符号定点数，顺序对应权值矩阵的顺序	BITWIDTH × FILTERBATCH

使用示例

input [4703:0] data;
output [7:0] result;

reg [1295:0] weight1;
reg [47:0] bias1;
wire [6911:0] cov_result1;
wire [1727:0] result1, result1_activation;

reg [1295:0] weight2;
reg [23:0] bias2;
wire [383:0] cov_result2;
wire [95:0] result2, result2_activation;

reg [1919:0] weight3;
reg [159:0] bias3;
wire [159:0] result3;

reg [159:0] weight4;
reg [7:0] bias4;

Conv2d#(8, 14, 14, 3, 3, 3, 6, 1, 1, 0) conv2d_1(data, weight1, bias1, cov_result1);
Max_pool#(8, 12, 12, 6, 2, 2) max_pool_1(cov_result1, result1);
Relu_activation#(8, 6, 6, 6) relu_activation_1(result1, result1_activation);

Conv2d#(8, 6, 6, 6, 3, 3, 3, 1, 1, 0) conv2d_2(result1_activation, weight2, bias2, cov_result2);
Max_pool#(8, 4, 4, 3, 2, 2) max_pool_2(cov_result2, result2);
Relu_activation#(8, 2, 2, 3) relu_activation_2(result2, result2_activation);

FullConnect#(8, 12, 20) fullConnect_1(result2_activation, weight3, bias3, result3);

FullConnect#(8, 20, 1) fullConnect_2(result3, weight4, bias4, result);

上面这段代码创建了一个输入为14×14，包含两个卷积层，两个全连接层的CNN。卷积核大小是3×3，卷积层采用最大池化，窗口大小为2×2，并且使用ReLU激活函数，第一个卷积层有6个卷积核，第二个卷积层有3个卷积核。