文章目录
- 概要
- 网络结构
- 一维卷积介绍（科普性质）
- FPGA架构
- FPGA端口定义
- 操作步骤
- 结果演示
- 总结
概要
本文介绍一种基于FPGA的1维卷积神经网络算法加速实现的方案，其中为了进一步提升运算速度，除了第一层卷积采用的是普通卷积运算（CONV），其余卷积层和池化层采用的是二值化运算，即二值化的卷积与池化。
运算过程包含了卷积层、池化层、批标准化层、全局池化、二值化卷积、全连接层、激活函数层，均采用RTL级代码实现，即全部采用Verilog HDL代码实现，兼容Intel Altera FPGA 与 AMD Xilinx FPGA，便于移植。
网络结构
具体网络结构如下表所示：
此项目先用python代码实现训练和推理过程，获得权重，然后再将推理过程移植到FPGA上进行。
python运算过程一共分为17层，在FPGA实现时将其划分为7个大层，运算过程包含了卷积层、池化层、批标准化层、全局池化、二值化卷积、全连接层、激活函数层，均采用RTL级代码实现，即全部采用Verilog HDL代码实现，兼容Intel Altera FPGA 与 AMD Xilinx FPGA。
一维卷积介绍（科普性质）
1D-CNN是指一维卷积神经网络（1D Convolutional Neural Network），它是卷积神经网络的一种变体。1D-CNN主要用于处理一维序列数据，比如音频、文本等。与传统的全连接神经网络相比，1D-CNN可以更好地处理序列数据中的局部关系，因此在语音识别、自然语言处理、时间序列预测等任务中表现较好。
1D-CNN使用卷积层来提取序列数据中的特征。卷积层通过滑动一个固定大小的窗口在输入数据上进行卷积操作，提取窗口内的特征，然后将这些特征映射到下一层。与二维卷积神经网络（2D-CNN）类似，1D-CNN还可以使用池化层来减少特征映射的维度和计算量。
1D-CNN通常由多个卷积层和池化层交替组成，最后使用全连接层将提取的特征映射到输出。在训练过程中，1D-CNN使用反向传播算法来更新模型参数，以最小化损失函数。
1D-CNN主要由以下几部分组成：
输入层：接收一维序列数据作为模型的输入。
卷积层：使用一系列可训练的卷积核在输入数据上滑动并提取特征。卷积操作能够有效地提取局部信息，从而捕捉输入序列的局部模式。
批标准化（Batch Normalization）：用于加速网络收敛和提高模型的鲁棒性，使得模型更易于训练。
激活函数：对卷积层的输出进行非线性变换，增强模型的表达能力。
池化层：通过对卷积层输出进行降维，减少计算量，同时提高模型的鲁棒性和泛化能力。
全连接层：将池化层的输出映射到模型的输出，通常用于分类、回归等任务。
在使用1D-CNN时，我们通常需要设置一些超参数，比如卷积核的大小、卷积层的个数、池化操作的方式、激活函数的选择等等。这些超参数的选择会影响模型的性能和效率，需要通过实验进行调整。
1D-CNN在处理时间序列数据方面表现良好，比如音频信号处理、文本分类、情感分析、股票价格预测等任务。它能够自动提取数据中的重要特征，从而减少人工特征提取的工作量，同时具有较好的泛化性能。
本节内容转载自：机器朗读 https://www.bilibili.com/read/cv23110682?from=search&spm_id_from=333.337.0.0 出处：bilibili
FPGA架构
包含按键消抖、串口接收、串口发送、卷积算法模块
FPGA端口定义
module fpga_top(
input sys_clk, //外部50M时钟
input sys_rst_n, //外部复位信号，低有效
input [1:0] key , //按键，低有效
output [1:0] led , //LED，低有效-未使用
input uart_rxd, //UART接收端口
output uart_txd //UART发送端口
);
操作步骤
- 1.加载程序，打开串口，波特率：9600
- 2.按下key0，将串口RAM地址清零；
- 3.将准备好输入数据通过串口下发给FPGA（以16进制格式发送）
- 4.按下key1，启动卷积推理运算；
- 5.运算完成后，结果将以串口形式返回
- 6.串口接收端：设置为ASCII码格式接收，将返回最大值对应的索引值。
结果演示
提示：这里可以添加总结
总结
以上即为基于FPGA的1D-CNN或BNN的大致介绍，该项目非常便于移植到各种不同应用场景，欢迎交流沟通，本项目在Altera FPGA和Xilinx FPGA开发板上均通过上板验证。如需代码，请私信获取。
另外，本人专业从事图像处理算法、AI深度学习算法、各种神经网络算法的FPGA加速实现多年，可基于Matlab、Python的算法代码进行FPGA加速实现，如需合作，欢迎私信沟通。
