deep learning hdl toolbox 产品信息 -凯发k8网页登录

 

面向 fpga 和 soc 进行深度学习网络原型开发和部署

开始:

在 fpga 上进行深度学习推断

面向 fpga 进行深度学习网络原型开发和实现以部署边缘设备。

可编程的深度学习处理器

此工具箱包含一个深度学习处理器,该处理器提供常规的卷积和全连接层,由调度逻辑控制。此深度学习处理器可以对使用 deep learning toolbox™ 开发的网络执行基于 fpga 的推断。高带宽内存接口可加速层和权重数据的内存传输。

深度学习处理器架构。

编译和部署

将您的深度学习网络编译为一组可由深度学习处理器运行的指令。部署到 fpga 并运行预测,同时捕获实际设备性能指标。

编译和部署 yolo v2 网络。

在 matlab 中进行基于 fpga 的推断

使用 matlab 在 fpga 上运行深度学习推断。

创建网络以进行部署

第一步是使用 deep learning toolbox 设计、训练和分析您的深度学习网络,以执行目标检测或分类等任务。您也可以从其他框架导入经过训练的网络或层。

将您的网络部署到 fpga

训练网络后,通过深度学习处理器和以太网或 jtag 接口,使用 deploy 命令对 fpga 进行编程。然后使用 compile 命令为经过训练的网络生成一组指令,而无需对 fpga 进行重新编程。

使用 matlab 配置板卡和接口,编译网络并部署到 fpga。

将基于 fpga 的推断作为 matlab 应用程序的一部分运行

在 matlab® 中运行整个应用程序,包括测试平台、预处理和后处理算法,以及基于 fpga 的深度学习推断。只需使用 matlab 中的 predict 命令,即可在 fpga 上执行推断并将结果返回 matlab 工作区。

运行可在 fpga 上执行深度学习推断的 matlab 应用程序。

网络自定义

调整您的深度学习网络,以满足目标 fpga 或 soc 设备上特定于应用的要求。

对 fpga 推断进行性能分析

衡量在 fpga 上运行预测时的层级延迟,以找出性能瓶颈。

对在 matlab 中进行的 fpga 深度学习网络推断进行性能分析。

调整网络设计

使用 deep learning toolbox,根据性能分析指标调整您的网络配置。例如,使用深度网络设计器添加层、删除层或创建新连接。

深度学习量化

将您的深度学习网络量化到定点表示,从而减少资源使用。使用 model quantization library 支持包在准确度和资源使用量之间进行权衡分析。

部署自定义 rtl 实现

使用 hdl coder 将深度学习处理器的自定义 rtl 实现部署到各种 fpga、asic 或 soc 设备。

自定义深度学习处理器配置

指定用于实现深度学习处理器的硬件架构选项,例如并行线程的数量或最大层大小。

生成可合成的 rtl

使用 hdl coder 从深度学习处理器生成可合成的 rtl,以便在各种实现工作流和设备中使用。将同一深度学习处理器重用于原型开发和生产部署。

从深度学习处理器生成可合成的 rtl。

生成 ip 核用于集成

当 hdl coder 从深度学习处理器生成 rtl 时,它还会生成一个带标准 axi 接口的 ip 核,用于集成到 soc 参考设计中。

显示 i/o 和 axi 接口之间映射的目标平台接口表。

网站地图