Deep Learning HDL Toolbox

Deep Learning HDL Toolbox

面向 FPGA 和 SoC 进行深度学习网络原型开发和部署

索取免费试用版

Deep Learning HDL Toolbox™ 提供一系列函数和工具，用于面向 FPGA 和 SoC 进行深度学习网络原型开发和实现。它提供预置的比特流，用于在支持的 Xilinx^® 和 Intel^® FPGA 与 SoC 设备上运行各种深度学习网络。借助性能分析和估计工具，您可以探索各种设计、性能和资源使用量权衡方案，以便自定义深度学习网络。

通过 Deep Learning HDL Toolbox，您可以自定义深度学习网络的硬件实现，并生成可移植、可合成的 Verilog^® 和 VHDL^® 代码，在各种 FPGA 上进行部署（需要 HDL Coder™ 和 Simulink^®）。

开始:

在 FPGA 上进行深度学习推断
在 MATLAB 中进行基于 FPGA 的推断
网络自定义
部署自定义 RTL 实现

Deep Learning HDL Toolbox

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

当前支持的网络和层

深度学习处理器包含常规的卷积和全连接处理模块，经编程后可执行特定网络。

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。

部署迁移学习网络用于车道检测

比较 AlexNet、VGG-19 或 DarkNet-19 在 FPGA 上进行图像分类的效果

在 FPGA 上使用 YOLO v2 进行车辆检测

将您的深度学习网络编译为一组可以部署到深度学习处理器的指令。

编译和部署 YOLO v2 网络。

利用预置比特流快速起步

本工具箱预置适用于主流 FPGA 开发套件的比特流，您无需进行 FPGA 编程即可开发网络原型。

试一试：只需另加 5 行 MATLAB 代码，即可在 FPGA 上进行深度学习

Deep Learning HDL Toolbox 支持 Xilinx FPGA 和 SoC

Deep Learning HDL Toolbox 支持 Intel FPGA 和 SoC

使用 MATLAB 在赛灵思 FPGA 上开发深度学习原型

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。

基于 AlexNet 进行迁移学习

创建简单的深度学习分类网络

深度学习导入、导出和自定义

使用 MATLAB 进行深度学习：用 10 行 MATLAB 代码实现迁移学习

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。

快速入门：通过以太网在 Xilinx ZCU102 SoC 上进行深度学习 FPGA 部署

快速入门：通过 JTAG 在 Intel Arria 10 SoC 上进行深度学习 FPGA 部署

基于以太网的快速部署

使用 MATLAB 配置板卡和接口，编译网络并部署到 FPGA。

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。

自定义经过训练的缺陷检测网络

部署迁移学习网络用于车道检测

该 MATLAB 循环捕获图像，针对 AlexNet 调整图像大小（预处理），在 FPGA 上运行深度学习推断，然后对结果进行后处理并显示。

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。

FPGA 推断性能分析

对 Intel Arria 10 SoC 上的 Logonet 进行性能分析

深度学习推断性能分析指标。

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。

交互式构建、可视化和编辑深度学习网络 (3:54)

在 FPGA 上使用来自 Resnet-50 网络的纯卷积层

深度网络设计器

在 FPGA 上进行深度学习网络的原型构建和调整

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。

深度学习定点量化

int8 量化简介及其广泛运用于深度神经网络的原因

在 FPGA 上使用量化的 DAG 网络进行图像分类

使用 Deep Learning Toolbox Model Quantization Library 进行深度网络量化和部署

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。

自定义处理器配置工作流程

深度学习导入、导出和自定义

为深度学习处理器生成 HDL

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。

配置和生成自定义深度学习处理器

生成自定义比特流

dlhdl.BuildProcessor 类可从自定义深度学习处理器生成可合成的 RTL。

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。

快速入门：Xilinx Zynq UltraScale+ MPSoC 平台软硬件协同设计工作流程

快速入门：Intel SoC 设备软硬件协同设计工作流程

HDL Coder 可生成一个 IP 核，将深度学习处理器输入和输出映射到 AXI 接口。

显示 I/O 和 AXI 接口之间映射的目标平台接口表。

产品资源:

文档函数系统要求发行说明示例

有兴趣了解 Deep Learning HDL Toolbox？

索取试用版索取报价