FPGA上部署深度学习的算法模型的方法以及平台

今天给大家介绍一下FPGA上部署深度学习的算法模型的方法以及平台。希望通过介绍，算法工程师在FPGA的落地上能“稍微”缓和一些，小白不再那么迷茫。阿chai最近在肝一个开源的项目，等忙完了会给大家出几期FPGA上从零部署的教程，包括一些底层的开发、模型的量化推理等等，因为涉及的东西太多了，所以得分开写。

FPGA与“迷宫”

深度学习这里就不多介绍了，我们接下来介绍一下FPGA是什么。FPGA是现场可编程逻辑门阵列，灵活性非常高，现场编程真的香。说到这里小伙伴们可能还是不太明白，那么我们和ARM对比一下，ARM可以理解为比如这有一个迷宫，迷宫有很多进口也有对应的出口，道路中间有很多“暗门”可以走，对ARM芯片做编程就是触发当中一条通路，路是死的，我们不好改变。

FPGA是如果我们想要一个迷宫，FPGA给提供了一个大的“盒子”，里面有很多的“隔板”，我们自己搭建一条就可以了，你想要什么样的路就什么样子，类似玩我的世界，只不过“矿”是各种逻辑门。那就意味着，FPGA可以设计外围电路也可以设计CPU，是不是很爽。

当然，爽的背后开发难度也是相当的大的，这种“特定属性”非常时候做人工智能的算法加速。由于制作特殊电路，FPGA之前经常用做信号处理中，配合DSP或者ARM使用，后来也有用FPGA或者CPLD搭建“矿机”当“矿老板”（祝愿”挖矿“的天天矿难）。

小白入门A：PYNQ

PYNQ是Python + ZYNQ，用Python进行FPGA开发，首先强调一点，Python近几年非常火，虽然很强大，但是他开发硬件不是真的就做硬件，希望大家不要迷。教程：https://github.com/xupsh/Advanced-Embedded-System-Design-Flow-on-Zynq我们类比一下很火的MicroPython，使用Python开发硬件是得有特定的电路设计的，除非自己是大佬修改底层的固件，但是都修改底层了，是不是可以自己开发就好了。

当然这个是面向小白的，对应的开发板如下图。这个板子类似我们之前玩MicroPython，也是各种调包。实际上ZYNQ是一个双核ARM Cortex-A9处理器和一个FPGA，使用Python的话可以通过Jupyter进行开发，是不是很香，所以这个非常适合小白。FPGA上跑BNN（二值神经网络）是非常不错的。

“PYNQ-Z1不同的机器学习数据集（dataset）的测试结果显示：对于MNIST数据集PYNQ-Z1能实现每秒168000张图片的分类，延迟102微妙，准确率达98.4%；对于CIFAR-10、SVHN、GTSRB数据集PYN1-Z1能实现每秒1700张图片的分类，延迟2.2毫秒，准确率分别为80.1%、96.69%和97.66%，系统功耗均保持在2.5W左右。”这个到底有多方便，我们看一段代码，首先我们调用模型：

import bnn hw_classifier = bnn.CnvClassifier（bnn.NETWORK_CNVW1A1，‘cifar10’，bnn.RUNTIME_HW） sw_classifier = bnn.CnvClassifier（bnn.NETWORK_CNVW1A1，‘cifar10’，bnn.RUNTIME_SW）进行测试：

from IPython.display import display im = Image.open（‘car.png’） im.thumbnail（（64， 64）， Image.ANTIALIAS） display（im） car_class = hw_classifier.classify_image_details（im） print（“{： 》10}{： 》13}”.format（“［CLASS］”，“［RANKING］”）） for i in range（len（car_class））： print（“{： 》10}{： 》10}”.format（hw_classifier.classes［i］，car_class［i］））同样支持matplotlib进行数据可视化：

%matplotlib inline import matplotlib.pyplot as plt x_pos = np.arange（len（car_class）） fig， ax = plt.subplots（） ax.bar（x_pos - 0.25， （car_class/100.0）， 0.25） ax.set_xticklabels（hw_classifier.classes， rotation=‘vertical’） ax.set_xticks（x_pos） ax.set plt.show（）这不就是Python嘛，真的是非常的方便，而且图像处理也兼容使用Pillow。文件中给出了一些图像识别的例子，大家可以去看看。改天阿chai给大家出一个从零搭建PYNQ的教程，包括模型的量化推理等等。

小白入门B：DPU

DPU是一个用于卷积神经网络的可编程引擎。该单元包含寄存器配置模块、数据控制器模块和卷积计算模块。当然，强大的PYNQ也是支持使用DPU的，如果用这个直接看Python的API就可以了，开发板可以使用ZCU104。大神很多直接用ZYNQ开整的，但是那个难度真的不适合初学者去看，等忙完了项目阿chai给小伙伴们整个这个的教程。我们首先clone下来项目并且编译：

git clone https://github.com/Xilinx/DPU-PYNQ.git cd DPU-PYNQ/upgrade make安装pynq-dpu：

pip install pynq-dpu启动jupyter-notebook：

pynq get-notebooks pynq-dpu -p 。模型库在如下链接中。模型库：https://github.com/Xilinx/Vitis-AI/tree/v1.3对于DPU的设计，我们需要在自己的电脑上进行，在添加模块后，我们使用如下命令进行编译：

make BOARD=《Board》对于ZYNQ+DPU的开发过程阿chai会单独出一期，因为涉及的东西太多了。。。

支持国产框架：Paddle-Lite

既然python都可以，那肯定Paddle-Lite这种推理框架也是可行的，百度也有专门的部署开发套件 EdgeBoard。EdgeBoard是基于Xilinx Zynq UltraScale+ MPSoC系列芯片打造的计算卡，芯片内部集成ARM处理器+GPU+FPGA的架构，既具有多核处理能力、也有视频流硬解码处理能力，还具有FPGA的可编程的特点。其实部署的思路小伙伴们应该有一些眉目了，就是将自己训练的深度学习模型转换成Paddle Lite模型，然后移植到EdgeBoard开发板上进行测试。接下来我们简单看看是怎样操作的。EdgeBoard中模型的测试由json文件做管理：

{ “model”：“测试的模型”， “combined_model”：true， “input_width”：224， “input_height”：224， “image”：“测试的路径”， “mean”：［104，117，124］， “scale”：1， “format”：“BGR” “threshold”：0.5 }详细的操作请前往Paddle Lite的GitHub，这里只做简单的流程介绍。GitHub： https://github.com/PaddlePaddle/Paddle-Lite如果不想编译，直接在如下网址中下载编译好的文件即可。编译后的文件：https://ai.baidu.com/ai-doc/HWCE/Yk3b95s8o

1.安装测试

我们首先在有在开发板上编译Paddle Lite，编译的时候需要设置cmake的参数，设置LITE_WITH_FPGA=ON和LITE_WITH_ARM=ON，问就是我们都用到。对应的FPGA的编译脚本是lite/tools/build_FPGA.sh，我们执行即可。

sh 。/lite/tools/build_fpga.sh make publish_inference -j2接下来我们编译示例demo，demo也在刚才的下载链接中。板子的使用过程请参考百度官方的文档，文档介绍的非常的清楚，阿chai这里就不花时间去讲解使用过程了。然后进入demo中进行编译：

# classification cd /home/root/workspace/sample/classification/ mkdir build cd build cmake 。。 makebuild目录下会出现image_classify和video_classify两个可执行文件，图片预测运行image_classify文件。使用FPGA 进行resnet50进行测试：

。/image_classify_fpga_preprocess 。。/configs/resnet50/drink.json 可以看到对应的输出结果，同样detection的模型测试方式也这样操作。

2.可调用的接口

C++

C++的主要包括预处理以及预测库的接口。

预处理接口主要是使用FPGA完成图片的缩放、颜色空间转换和mean/std操作。

预测库接口主要完成模型的初始化、输入参数构造、预测和结果获取。

预处理接口示例：

/** * 判断输入图像是否是wc 16对齐 * width 输入图像宽度 * channel 输入图像高度 **/ bool img_is_align（int width， int channel）; /** * 对齐后的大小 * width 输入图像宽度 * channel 输入图像高度 **/ int align_size（int width， int channel）; /** * 分配存放图片的内存，析构函数会自动释放 （目前支持BGR-》RGB RGB-》BGR YUV422-》BGR YUV-》RGB） 图像最大分辨率支持1080p * height 输入图像的框 * width 输入图像宽度 * in_format 输入图像格式 参考image_format * return uint8_t* opencv Mat CV_8UC3 **/ uint8_t* mem_alloc（int img_height， int img_width， image_format in_format）;预测库使用步骤1、模型初始化，构建预测对象

std：：unique_ptr《paddle_mobile：：PaddlePredictor》 g_predictor; PaddleMobileConfig config; std：：string model_dir = j［“model”］; config.precision = PaddleMobileConfig：：FP32; config.device = PaddleMobileConfig：：kFPGA; config.prog_file = model_dir + “/model”; config.param_file = model_dir + “/params”; config.thread_num = 4; g_predictor = CreatePaddlePredictor《PaddleMobileConfig， PaddleEngineKind：：kPaddleMobile》（config）;2、输入输出参数

std：：vector《PaddleTensor》 paddle_tensor_feeds; PaddleTensor tensor; tensor.shape = std：：vector《int》（{1， 3， input_height， input_width}）; tensor.data = PaddleBuf（input， sizeof（input））; tensor.dtype = PaddleDType：：FLOAT32; paddle_tensor_feeds.push_back（tensor）; PaddleTensor tensor_imageshape; tensor_imageshape.shape = std：：vector《int》（{1， 2}）; tensor_imageshape.data = PaddleBuf（image_shape， 1 * 2 * sizeof（float））; tensor_imageshape.dtype = PaddleDType：：FLOAT32; paddle_tensor_feeds.push_back（tensor_imageshape）; PaddleTensor tensor_out; tensor_out.shape = std：：vector《int》（{}）; tensor_out.data = PaddleBuf（）; tensor_out.dtype = PaddleDType：：FLOAT32; std：：vector《PaddleTensor》 outputs（1， tensor_out）;3、预测

g_predictor-》Run（paddle_tensor_feeds， &outputs）;4、获取结果

float *data = static_cast《float *》（outputs［0］.data.data（））; int size = outputs［0］.shape［0］;

Python

EdgeBoard系统已经安装了python环境，用户可直接使用即可，同时python接口为用户提供了paddlemobile的python安装包以及示例工程。文件名称说明

paddlemobile-0.0.1.linux-aarch64-py2.tar.gzpaddlemobile的python2安装包

edgeboard.py基于python的模型预测示例

api.pyedgeboard.py的api示例

configs.classification分类模型的配置文件目录，同C++示例的配置文件

configs.detection检测模型的配置文件目录，同C++示例的配置文件

models.classification分类模型的模型文件目录，同C++示例的模型文件

models.detection检测模型的模型文件目录，同C++示例的模型文件

安装paddlemobile-python SDK，在根目录中解压

tar -xzvf home/root/workspace/paddlemobile-0.0.1.linux-aarch64-py2.tar.gz例如使用分类模型的测试如下：

python api.py -j 你测试的json文件详细的使用说明请关注Paddle-Lite的GitHub。

编辑：jq