Files

2.4 KiB
Raw Permalink Blame History

Windows HLS 高精度 CNN 路线

FINN 需要 Linux/Docker 环境;当前改走 Windows Vivado/Vitis HLS 2020.2 路线。旧 TinyCNN 已能上板,但验证准确率只有约 13%,因此不再作为精度目标。

目标

  • 先在 PC 端训练一个 HLS 友好的 RGB CNN,验证集准确率达到 >=70%。
  • 达标后再导出融合后的定点权重,作为下一步 HLS C++ 加速器输入。
  • 仍保留现有 TinyCNN HLS 工程,不破坏已生成的 .bit/.hwh。

模型

新增 pc_training/hls_qcnn.py:

  • 输入:128x128 RGB,像素 float32 [0,1],不做 ImageNet normalize。
  • 网络:5 个 stage,每个 stage 为 Conv+BN+ReLU 两次后接 MaxPool,通道默认 16,32,64,96,128。
  • 输出:GlobalAveragePool + FC(128->128) + ReLU + FC(128->10)。
  • 使用现有 MobileNetV2 data/models/best_model.pth 做 teacher 蒸馏。

训练

cd pc_training
python train_hls_qcnn.py ^
  --data_dir ../data/processed ^
  --teacher_path ../data/models/best_model.pth ^
  --epochs 250 ^
  --batch_size 32 ^
  --save_path ../data/models/hls_qcnn_best.pth ^
  --metrics_path ../results/hls_qcnn_metrics.json

若显存/内存紧张,把 --batch_size 改为 16。

精度复核:

python eval_hls_qcnn.py ^
  --checkpoint ../data/models/hls_qcnn_best.pth ^
  --data_dir ../data/processed/val ^
  --min_acc 70

低于 70% 时不要做 HLS,优先继续训练、调整数据增强或降低蒸馏权重。

HLS 权重准备

达标后生成融合 Conv+BN 权重和 int16 定点权重:

cd ..
python hls_cnn/export_hls_qcnn_weights.py ^
  --checkpoint data/models/hls_qcnn_best.pth ^
  --test_image data/processed/val/class_0/10.jpg ^
  --npz_out hls_cnn/include/hls_qcnn_weights.npz ^
  --json_out hls_cnn/include/hls_qcnn_manifest.json

输出:

  • hls_qcnn_weights.npz:float32 与 int16 权重数组。
  • hls_qcnn_manifest.json:层顺序、shape、scale、checkpoint 信息。
  • hls_qcnn_test_image.npy:128x128x3 uint8 测试图。

下一步 HLS 实现策略

  • 先用导出的 manifest/json + npz 写 Python 定点参考,确认和 PyTorch argmax 一致。
  • 再新增独立 hls_qcnn_accel,不要直接改旧 tiny_cnn_accel。
  • 为了资源可控,第一版 HLS 可按层顺序串行复用卷积计算单元,优先稳定上板,不追求高 FPS。
  • 若资源超限,优先把通道降为 16,32,48,64,96 或输入降到 96x96 重新训练。