CNN - FPGA
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。