复现-基于FPGA的CNN的实现
本文用来记录复现基于FPGA的CNN的实现的过程，主要分为以下三个部分：
一、在python中设计CNN
该网络反向传播是通过软件方式生成，FPGA内部不进行反向传播计算。该节通过Python获取训练数据集，并通过Pytorch框架搭建的CNN网络进行网络的训练。并将训练的最优参数导出，这一节先导出至Matlab进行网络的验证以及数据的量化。图1.1是正弦、余弦、三角波不加噪声的信号，图1.2是加入噪声后的信号。
图1.1 正弦、余弦、三角波形
图1.2 加入噪声后的正、余、三角波形
2.1获取数据集
首先我们要构建数据集抛到网络中进行训练。数据集是从正弦、余弦和三角波含噪的信号中选取的。
2.2搭建模型
网络模型如下所示：
图1.3 网络模型
基于Pytorch的网络模型代码如图1.4所示：
图1.4 基于Pytorch的网络模型代码
1.3训练模型
将网络模型进行1000次迭代。
1.4 导出参数
导出最优参数，即将权重最小的数值导出，导到Matlab中。
图2.5 Matlab中显示最优参数
二、Matlab中对结果进行验证
选择Matlab进行结果的验证。而且，通过 matlab的验证流程，可以很容易地分析 FPGA的内部结构。最佳的训练参数是通过 Pytorch框架进行的，参数是输出到. mat文件中的。
该节通过Matlab利用基础的乘加计算来搭建CNN网络的前向计算（不是用深度学习库），从底层熟悉CNN是怎么实现的。（知道底层是怎么实现的，才能够在FPGA上进行搭建）
（a）正弦波识别结果 （b）余弦波识别结果
图2.1 正、余弦波的验证结果
图2.2 识别结果
三、CNN在FPGA实现
CNN在FPGA中进行实现。上一节已经通过Matlab中基础的乘加运算进行了CNN网络的前向计算过程。该节利用Matlab将导出的CNN网络所需要的参数进行定点量化，最后传输至FPGA端进行计算。在分享的开源代码中无FPGA部分的代码，所以此过程无复现。
