Kerasを使用したMNIST CNNで手書き文字認識10（特徴マップが10個のMNISTのCNNを再学習2）

”Kerasを使用したMNIST CNNで手書き文字認識9（特徴マップが10個のMNISTのCNNを再学習1）”の続き。

前回は、MNIST のCNN の特徴マップが10個の場合を再学習してVivado HLS で精度を確認した。今回は、Vivado HLSで精度を確認できたので、Vivado HLS 2018.2 で mnist_conv_nn10_hlss_ko_dma プロジェクトを作成して、IP 化を行い、PYNQ_MNIST_CNN10_182 フォルダのVivado 2018.2 プロジェクトを作成し、論理合成、インプリメンテーション、ビットストリームの生成を行った。

まずは、Vivado HLS 2018.2 で mnist_conv_nn10_hlss_ko_dma プロジェクトを作成した。
各パラメータは前回の値と同じとした。


C シミュレーションを行った。エラーになってしまった。どこが原因でエラーになったのか？は分からない？


C コードの合成を行った。


Latency の最大値は 2.05 ms 程度だった。約 487 fps になる。
リソース使用量はBRAM_18K が 116 個、DSP48E が 169 個、FF が 10273 個、LUT が 17881 個だった。

次に Export RTL を行った。なお、Vivado synthesis, place and route にチェックを入れてある。


LUT は 6564 個、FF が 6128 個、DSP が 172 個、BRAM が 115 個、SRL が 111 個となった。

これでIP 化ができた。
次に、PYNQ_MNIST_CNN10_182 フォルダのVivado 2018.2 プロジェクトを作成というか、特徴マップが 3 個の時のPYNQ_MNIST_CNN3_182 フォルダをPYNQ_MNIST_CNN10_182 フォルダと名前を変えた。

PYNQ_MNIST_CNN10_182 フォルダの下の hls_all_layers フォルダに特徴マップが 3 個のCNN のIP が入っているので、それを今回の特徴マップが 10 個のIP と入れ替えた。
Vivado 2018.2 プロジェクトを示す。


ブロックデザインを示す。


Address Editor 画面を示す。


論理合成、インプリメンテーション、ビットストリームの生成を行った。結果を示す。


DSP の使用量が 78 % で多くなっている。