完善资料让更多小伙伴认识你，还能领取20积分哦， 立即完善>
3天内不再提示
|
业务方向有调整，整个caffe框架的移植先放一放，需要先做 MobileNet相关工作。
由于Xilinx有 一个DSP计算两路 int8 乘加的黑科技，能够使用8个dsp计算14路int8的乘加，so，利用率提升为1.75（参考文献为wp486-deep-learning-int8.pdf）。 所以将float型的数据量化成int8类型，会极大地提升计算效率，使用Deepin大神们的套件能够从caffe模型（浮点），得到int8的模型，再通过sdk编程，直接部署到FPGA上，这个过程本质上应该还是使用了SDSoC的相关工具。 大佬们开发了DPU这个深度学习的IP，在不远的将来要放置到Vivado中作为IP使用，放置到SDSoC中作为库函数使用，有消息说2018的q3发布，不过跳票。何时发布不得而知，不发布也得搞起来。 所以接下来的工作是学习相关Deepin的套件，以及进行FPGA的部署工作。 安装DNNDK套件需要在相应的环境下，安装cuda与cudnn库。 之前已经安装了caffe相关的东西，也不需要再安装了。 其中cuda安装了CUDA8.0+cuDNN7.0.5 LINUX服务器是16.0.4 显卡2080ti（此处有坑，稍后再提）。 DNNDK的框架如图，提供的是一个整套的caffe/tf 等上层深度学习框架的FPGA deploy解决方案。 其中需要提供训练好的 浮点的 caffe网络模型 .prototxt 文件 以及 weights .caffemodel 文件。 量化剪枝工具会将浮点的模型在 尽可能小的损失精度的情况下 转换成 int的定点模型，以deploy到 FPGA 上，FPGA内部 deephi的大佬们已经做了 DPU这样一个通用的运算单元。可以通过API调用该单元完成运算。 支持的评估板如下 这些板子有很多example可以直接运行查看效果，人脸识别，姿态识别，图像分割，还有简单的图像分类 Resnet50. 现在的一些问题是，有一部分算子DPU尚未支持，那么这些运算只能做到PS中进行运算，效率一般，FPGA成本也比较高，假如性能一般，那么相关硬件平台就没有必要使用FPGA，因为GPU性能远高于FPGA， 甚至有些CPU也能够获得不错的性能，同时不需要再进行开发（RTL，或者其他相关） 
0
|
|
相关推荐
|
|
你正在撰写讨论
如果你是对讨论或其他讨论精选点评或询问，请使用“评论”功能。
872 浏览 0 评论
1126 浏览 0 评论
847 浏览 0 评论
1475 浏览 0 评论
1861 浏览 0 评论
3092 浏览 62 评论
6802 浏览 115 评论
/6 
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 （电路图） 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证：合字B2-20210191
工商网监
湘ICP备2023018690号
6107
评论
淘帖
6716
