Zynq FPGA实现LeNet图像识别：实验与问题分析

在这个实验报告中，学生张安澜（学号15061075）探讨了在Zynq FPGA上实现LeNet网络的前向传播过程。LeNet是一种经典的卷积神经网络，最初被用于手写数字识别任务。实验的目标是通过理论学习和实践操作，理解和应用LeNet的结构，包括卷积层(Conv)、ReLU激活函数、最大池化(MaxPool)和全连接层(FC)。 实验的核心步骤包括： 1. 模型准备：利用算法开发框架如Caffe/TensorFlow/PyTorch对LeNet进行训练，获取模型参数，然后将这些参数量化为定点数，以二进制补码形式存储在BRAM（块随机访问存储器）中，以便在硬件中快速访问。 2. 硬件设计：使用Verilog语言设计LeNet的计算功能模块，实现了前向传播的过程，强调了不使用HLS（High-Level Synthesis，高级综合）工具，而是直接编写底层硬件代码。设计的关键部分涉及数据通路、状态机和AXI Full接口的数据传输。 3. 系统集成：将训练好的LeNet模块封装成AXILite接口的IP核，包含多个寄存器用于输入图片编号、控制信号和存储识别结果。用户可以通过PS（处理器系统）端口向IP核发送指令并接收结果。 4. 实验流程：实验过程中，用户首先将图片编号写入寄存器，然后发送开始信号，接着在硬件中进行图像识别，当识别完成后，结果会被存储在寄存器中，并通过slv_reg5给出结束信号。 5. 评估与优化：尽管实验结果显示初步的识别效果不尽人意，但报告也包含了对可能导致问题的原因的分析，以及后续可能的优化思路和技巧，这表明学生在实验中不仅进行了实践操作，还进行了深入的思考和反思。 通过这次实验，学生不仅掌握了使用Verilog设计神经网络硬件的方法，还了解了系统设计和验证流程，以及如何在实际硬件平台上部署和调试深度学习模型。这样的实践经验对于深入理解机器学习的硬件实现和优化至关重要。