简介
LeNet-5：是Yann LeCun在1998年设计的用于手写数字识别的卷积神经网络，当年美国大多数银行就是用它来识别支票上面的手写数字的，它是早期卷积神经网络中最有代表性的实验系统之一。
LenNet-5共有7层（不包括输入层），每层都包含不同数量的训练参数，如下图所示。
LeNet-5中主要有2个卷积层、2个下抽样层（池化层）、3个全连接层3种连接方式。
项目简介
https://github.com/lulinchen/cnn_open
该项目是通过 FPGA 实现硬件 CNN 结构的尝试。
代码由 Verilog/SystemVerilog 编写，并使用 Vivado 在 Xilinx FPGA 上合成实验。
该代码只是功能的实验性代码，并未完全优化。
FPGA板卡介绍
Xilinx KCU105 Board
https://china.xilinx.com/products/boards-and-kits/kcu105.html
CNN实现结果
仅实现了 4 个基本模块：
- conv，这个模块执行卷积计算，全连接也和卷积一样处理，内核大小等于输入数据大小。
- The max_pool
- The relu
- 迭代器（The iterator），在输入数据周围跑，并馈送至计算单元。
演示
LeNet 使用上诉 4 个基本模块构成，权重和偏差存储在 ROM 中编码（这也是纯FPGA实现CNN的难点，参数不好修改和存储）。
参考 Tenserflow Lenet 代码，来自CarND-LeNet-Lab（https://github.com/udacity/CarND-LeNet-Lab）。
Xilinx KCU105 Board，采用HDMI输入输出子板。
通过 HDMI 电缆将 PC 连接到 HDMI 输入节点。
一个 32x32 大小的输入从 PC 屏幕输出中裁剪出来，然后输入 Lenet。分类结果显示在 HDMI 输出上。
下图截自FPGA的HDMI输出。白色矩形是由 FPGA 绘制的。将Mnist 数字图片移动到矩形中，或使用Paint 软件手动绘制一个数字。矩形下方打印的数字为分类结果。
参考
原始的软件代码参考：
1、https://github.com/udacity/CarND-LeNet-Lab
2、https://github.com/udacity/CarND-Term1-Starter-Kit
总结
到底纯FPGA适不适合这种大型神经网络的设计？这个问题其实我们不适合回答，但是FPGA厂商是的实际操作是很有权威性的，现在不论是Intel还是Xilinx都没有在自己传统的FPGA上推广AI，都是在基于FPGA的SoC上推广（Vitis和OpenVINO，前者Xilinx后者Intel），总结来看就是：纯 RTL 硬件设计不是AI的好选择。特别是对于大规模网络，权重和中间结果需要存储在外部存储器中。并且数据迭代器会更加复杂。设计周期长，AI相关领域迭代速度快，综上以上几点，可以很容易给你们指引一条道路。
最好使用通用或专用处理器来做控制工作，让硬件来执行计算（加速的概念）。
综上，此项目仅仅适合需要了解相关概念的朋友参考，不建议深入，一些简单的算法可以深入学习一下，推荐下面的项目：
https://github.com/suisuisi/FPGAandCNN/tree/main/DigitalRecognition
原文：OpenFPGA
作者：碎碎思
相关文章推荐
更多FPGA技术干货请关注FPGA 的逻辑技术专栏。
