针对基于FPGA平台的神经网络开发周期过长、调节网络模型麻烦等问题，设计了一种基于ZYNQ的通用型卷积神经网络模型。首先通过Tensorflow平台搭建神经网络并训练得到模型各层权重;其次利用高层次综合工具进行卷积层和池化层的IP核设计;然后在ZYNQ平台上部署模型;最后分别运行了Le Net-5和Alex Net-8神经网络进行验证。实验结果表明模型在只损失极少准确度的情况下，卷积与池化运算速度相比于ARM平台分别提高了3.65倍和2.31倍，并具备通用性。
科研之友
微信
新浪微博
Facebook
分享链接
