2.4 KiB
2.4 KiB
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。