MYD-C7Z010/20测评（二）xilinx 深度学习资料研读和软件安装（...

lebment

  上一篇开箱，简单的认识了一下MYD zynq7020。最近一直在看如何将caffe移植到zynq平台，很可惜，还没能完成。希望十二月三十号之前可以完成。这节内容有点多，而且需要读者具备一定的UBuntu基础、caffe 深度学习框架的使用基础和深度学习基本术语，可以不了解深度学习有关的算法，分为上半部分，下半部分过几天写好。
目前的资料有DNNDK user manuel，dpu user manuel，vitis user manuel，vivado user manuel 当然也包括米尔资料的手册虽然是2015年的资料，可以作为参考，毕竟zynq没有变化，只不过是软件集成度更高，更加现代化。
先看一下，深度学习是如何部署到zynq。有一个框图：

  主要看右半部分，也就是边缘AI。因为我测评不是实现硬件加速，而是实现深度学习模型的部署。

  这个图已经反映了，模型是如何从深度学习框架到硬件部署的，过程如下，model 到 edge compiler（实际的名字没弄错的话应该是DNNC，深度神经网络编译器） 到 edge runtime （软件栈和PL部分），貌似仅支持CNN卷积神经网络。硬件支持xilinx 官方和 自定义的开发板。
  有一个问题需要注意，深度学习模型 FP32精度，部署的时候，zynq会直接运行定点精度的，提高速度，降低了部分准确率（未测试）。

• 部署在推断应用中时，Xilinx 适应性极强的硬件可加速大多数 AI/ML 模型
  

• 该模型由 Xilinx 工具优化，这些工具能与行业标准框架协同工作
  

• 优化后，该模型能够与 Xilinx 运行时及驱动程序软件协同工作，优化后的部分运行在 Xilinx 硬件中
  

• 移植非常简单，不需要硬件专业技术，也不需要 FPGA 编程经验
  

  上面是 官方宣传的特点，我并没有觉得移植非常简单，需要一定的门槛，很多参数是专业人士才懂，感觉xilinx过于夸大了，或者说相对自己移植来说简单。



  看了半天，具体怎么搞？按框图的流程来，我的工作已经完成的有，准备好了caffe模型，安装了vivado vitis petalinux。学会使用 DPU 这个 IP。具体到细节：
  使用vivado对应米尔MYD7020开发加入一个DPU IP生成bit流文件，再用petalinux 工具生成boot image等文件
  然后部署到开发板，具体操作肯定会有很多问题，我将会继续分享经验。


  caffe模型怎么准备，不属于测评范围，略过，有兴趣可以googlx一下，有很多资料。vivado vitis是可以一起安装的，https://china.xilinx.com/member/ ... 1106_2127_Lin64.bin
安装程序，需要下载的文件很大，至少80G，ubuntu至少有100G的剩余空间，下图是安装过程：
  我没有安装在默认位置，我的位置是/xilinx/ ，默认就可以了。
    登陆你的账号密码。三个I agree 不贴图了.。
选vitis 也会 安装 vivado的放心直接下一步。
next
这个图需要更改的，有很多并不需要，所以只需要以上部分的内容即可。
  最后自行选择安装地址，本部分就到这里吧，篇幅不宜过多。