[发明专利]基于Caffe的卷积神经网络在FPGA上的部署方法

说明书

本发明提出了一种基于Caffe的卷积神经网络在FPGA上的部署方法，用于解决现有技术存在的时间消耗大、部署时间长和实际应用性差的问题，实现步骤为：获取训练样本集；基于Caffe构建卷积神经网络模型C；基于Caffe对卷积神经网络模型C进行训练；基于Caffe提取训练好的卷积神经网络模型Csupgt;*/supgt;的参数并存储；基于verilog建立卷积神经网络Csupgt;**/supgt;；获取卷积神经网络在FPGA上的部署结果。本发明利用Caffe的函数建立了易于控制的卷积神经网络模型，提升了卷积神经网络在FPGA上部署的速度，并且设计了参数配置时的映射操作，让卷积神经网络能够顺利部署。

技术领域

本发明属于卷积神经网络硬件加速技术领域，涉及一种卷积神经网络在FPGA上的部署方法，具体涉及一种基于Caffe的卷积神经网络在FPGA上的部署方法，可用于人工智能硬件加速平台的开发。

背景技术

卷积神经网络具有权值共享、稀疏连接的特性，能够提取数据的局部特征并且降低参数量级，更适合处理数据量较大的数据集，并且识别精度高，在人工智能领域展现出其卓越的性能，被广泛应用于图像分类、目标定位、人脸识别、骨骼识别等领域。FPGA成为目前硬件开发领域的热门，主要是因为其具有的两个特性，一方面FPGA内部集成了大量的数字电路基本门结构和存储单元，用户可以通过向FPGA内部烧写配置文件来改变内部逻辑结构，从而达到定制电路的目的；另一方面，FPGA不属于冯诺依曼结构，上一个单元计算得到的结果可以直接送到下一个单元，无需在存储器中临时保存，因此FPGA不仅对带宽的需求非常低，同时流水处理的结构还具有响应迅速、延迟低的特性，被广泛应用于视频图像处理、通信领域和数字信号处理。

卷积神经网络可部署在CPU、GPU和FPGA上，通常用时间消耗和部署速度来作为衡量卷积神经网络部署的指标，其中CPU计算能力过低从而无法充分发挥卷积神经网络的特性，GPU功耗过高从而导致应用场景受限，而FPGA具有低功耗、低延迟的特性，同时FPGA具有丰富的逻辑资源，通过编写内部结构能够实现大规模的并行计算，将卷积神经网络部署到FPGA上能够充分发挥卷积神经网络并行计算的特性，相较于将卷积神经网络部署到CPU上能够减少时间消耗，相较于将卷积神经网络部署到GPU上能够提升部署速度。

例如申请公布号为CN 111104124 A，名称为“基于Pytorch框架的卷积神经网络在FPGA上的快速部署方法”的专利申请；公开了一种基于Pytorch框架的卷积神经网络在FPGA上的快速部署方法，包含如下步骤：首先通过命名规则的构建建立模型快速映射机制。然后在硬件资源的约束条件下进行优化策略计算，并且建立基于硬件优化策略的模板库。最后在基于规则映射的自适应处理流程中在FPGA端对复杂网络模型文件进行分解，将网络抽象成有向无环图，最终生成神经网络加速器。该方法的不足之处是：利用Pytorch框架部署卷积神经网络时间消耗大、部署速度慢；并且该方法缺乏调用模板库的具体操作，在实际调用时可能出现无法配置参数的情况，实际应用性差。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于Caffe的卷积神经网络在FPGA上的部署方法，用于解决现有技术存在的时间消耗大、部署速度慢以及实际应用性差的问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集：

将从Iris数据集中获取的n个带有类别标签的图像作为训练样本集P，P＝{P₁,P₂,...,P_i,...,P_n}，其中，P_i表示第i个图像，n≥10000；

(2)基于Caffe构建卷积神经网络模型C：