全新开源工具，助力FPGA上轻松实现二值化神经网络
神经网络技术起源于上世纪五、六十年代，当时叫感知机，拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果，早期感知机的推动者是ronsenblatt。后来又发展到多层感知机，而多层感知机在摆脱早期离散传输函数的束缚，在训练算法上使用werbos发明的反向传播bp算法，这个就是现在大家常数的神经网络nn，而目前存在的神经网络最常见的有：ann，rnn，以及cnn。cnn是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题，它可以通过一系列方法，成功将数据量庞大的图像识别问题不断将维，最终使其能够被训练。
gunness开源工具
一个叫做gunness的全新的开源工具，可以帮助用户通过sdsoc 开发环境很轻松的将二值化神经网络（bnns）实现在zynq soc芯片和zynq ultrascale+ mpsoc芯片上。guinness基于gui工具而开发，内部实现利用深度学习框架来训练一个二值的cnn。关于这部分内容在今年ieee的国际并行和分布式处理的workshop上有一篇论文对此进行了较为全面的介绍（论文名为“on-chip memory based binarized convolutional deep neural network applying batch normalization free technique on an fpga”），论文中，作者haruyoshi yonekawa和hiroki nakahara描述了一个他们实现的系统：他们通过在xilinx zcu102 eval 套件上实现一个用于运行vgg-16 benchmark的二值化cnn逻辑系统，其中zcu102套件其实是基于zynq ultrascale+ mpsoc芯片而搭建的。在后来比利时 ghent的fpl2017中作者nakahara就guinness工具再次进行了介绍。
根据ieee中发表的这篇paper所述，在zynq上实现的cnn相比较与在arm cortex-a57处理器上运行cnn，运行速度加快了136.8倍，并且功率有效性也提高了44.7倍之多。与在nvidia maxwell gpu上运行同样的cnn相比较，基于zynq实现的bnn速度加快了4.9倍之多，功耗效率也增长了3.8倍。
不过，对于我们这些游离爱好者来说最值得庆幸的是整个guinness工具可以在github上access到（https://github.com/hirokinakahara/guinness）。
图：xilinx zcu102 zynq ultrascale+ mpsoc eval kit
目前的比较火的概念莫过于机器学习，深度学习，人工智能这三方面了，而这些技术的实现都离不开神经网络的训练，可以说当前技术的热点非神经网络莫属。但是神经网络算法往往较为复杂，软件实现速度往往无法达到需求，专用芯片设计又功能单一且成本高，而通过fpga实现的话，不仅避免的单用途高成本的投入，同时得到了用户期望的运算速度，一举两得。也相信在以后fpga将会为神经网络的研究实现方面有更大的发挥空间。
OPPO发布全球最轻最薄双目智能眼镜
怎样在Arduino上接入SD卡模块
单片机自关机电路原理图
iPhone12系列或迎来销量上的大突破
OPPO R11即将来临，搭载骁龙660,性能突飞猛进！
全新开源工具，助力FPGA上轻松实现二值化神经网络
黑蚂蚁智能电话机器人的功能有哪些
ZIGBEE应用系统设计瓶颈的突破和解决方案
神波05P加强型蓄电池修复仪
世界最大规模源网荷友好互动系统如何实现再扩容？
「论坛活动」AGV应用潜入深水区，科聪如何赋能客户轻松应对？
特斯拉没有做足工作防止滥用自动驾驶系统？特斯拉发布车祸新声明
TMS320DM365的特点及基于高速网络摄像机系统的设计
宁德时代动力电池份额还有增长空间?
【节能学院】能耗监测管理系统在舜通大厦及轨道交通R3线控制中心大楼项目的研究与应用
无人机反制系统的技术优势都有哪些
NI模块化平台方案，助力国产飞机翱翔蓝天
智慧教育综合管理系统的结构组成及应用特点分析
中国铁塔正式对5G共享室内微站标准化设计进行国内公开比选
i.MX RT1024:移植MODBUS TCP协议栈教程
gunness开源工具
一个叫做gunness的全新的开源工具，可以帮助用户通过sdsoc 开发环境很轻松的将二值化神经网络（bnns）实现在zynq soc芯片和zynq ultrascale+ mpsoc芯片上。guinness基于gui工具而开发，内部实现利用深度学习框架来训练一个二值的cnn。关于这部分内容在今年ieee的国际并行和分布式处理的workshop上有一篇论文对此进行了较为全面的介绍（论文名为“on-chip memory based binarized convolutional deep neural network applying batch normalization free technique on an fpga”），论文中，作者haruyoshi yonekawa和hiroki nakahara描述了一个他们实现的系统：他们通过在xilinx zcu102 eval 套件上实现一个用于运行vgg-16 benchmark的二值化cnn逻辑系统，其中zcu102套件其实是基于zynq ultrascale+ mpsoc芯片而搭建的。在后来比利时 ghent的fpl2017中作者nakahara就guinness工具再次进行了介绍。
根据ieee中发表的这篇paper所述，在zynq上实现的cnn相比较与在arm cortex-a57处理器上运行cnn，运行速度加快了136.8倍，并且功率有效性也提高了44.7倍之多。与在nvidia maxwell gpu上运行同样的cnn相比较，基于zynq实现的bnn速度加快了4.9倍之多，功耗效率也增长了3.8倍。
不过，对于我们这些游离爱好者来说最值得庆幸的是整个guinness工具可以在github上access到（https://github.com/hirokinakahara/guinness）。
图：xilinx zcu102 zynq ultrascale+ mpsoc eval kit
目前的比较火的概念莫过于机器学习，深度学习，人工智能这三方面了，而这些技术的实现都离不开神经网络的训练，可以说当前技术的热点非神经网络莫属。但是神经网络算法往往较为复杂，软件实现速度往往无法达到需求，专用芯片设计又功能单一且成本高，而通过fpga实现的话，不仅避免的单用途高成本的投入，同时得到了用户期望的运算速度，一举两得。也相信在以后fpga将会为神经网络的研究实现方面有更大的发挥空间。
OPPO发布全球最轻最薄双目智能眼镜
怎样在Arduino上接入SD卡模块
单片机自关机电路原理图
iPhone12系列或迎来销量上的大突破
OPPO R11即将来临，搭载骁龙660,性能突飞猛进！
全新开源工具，助力FPGA上轻松实现二值化神经网络
黑蚂蚁智能电话机器人的功能有哪些
ZIGBEE应用系统设计瓶颈的突破和解决方案
神波05P加强型蓄电池修复仪
世界最大规模源网荷友好互动系统如何实现再扩容？
「论坛活动」AGV应用潜入深水区，科聪如何赋能客户轻松应对？
特斯拉没有做足工作防止滥用自动驾驶系统？特斯拉发布车祸新声明
TMS320DM365的特点及基于高速网络摄像机系统的设计
宁德时代动力电池份额还有增长空间?
【节能学院】能耗监测管理系统在舜通大厦及轨道交通R3线控制中心大楼项目的研究与应用
无人机反制系统的技术优势都有哪些
NI模块化平台方案，助力国产飞机翱翔蓝天
智慧教育综合管理系统的结构组成及应用特点分析
中国铁塔正式对5G共享室内微站标准化设计进行国内公开比选
i.MX RT1024:移植MODBUS TCP协议栈教程