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。