课程答辩

1. 课程概述

1.1 课程内容

1.1.1 基础部分

• 理解并掌握 Keras 和 TensorFlow 框架的搭建和训练流程。
• 学习并实践在 Vivado 环境下进行 FPGA 设计，包括封装 IP 核、创建 IPI 子系统、调试等。
• 掌握基于 FPGA 的视频图像处理技术。

1.1.2 综合运用

• 基于 FPGA/ZYNQ 架构，搭建 Mnist 手写体识别系统。
• 实现 VGG 手写数字识别网络的训练，获取网络权重参数。
• 将权重参数进行定点化处理，以适应 FPGA 硬件实现。
• 在 FPGA 上实现神经网络模块，导入定点权重，并添加图像采集、灰度化、显示等模块。

1.2 课程成果

• 成功训练并测试 VGG 网络，在 MNIST 数据集上达到 97.66% 的精确度，在用户数据集上达到 80.39% 的精确度。
• 成功进行权重参数的定点化处理，实现了 FPGA 上的手写数字识别功能。

2. 训练与测试

2.1 网络训练

• 使用 Keras 框架训练 VGG 网络，设置训练次数、batch_size、学习率等参数。
• 训练结束后，使用 MNIST 测试集和用户测试集对网络进行测试，分别达到 97.66% 和 80.39% 的精确度。

2.2 权重参数处理

• 对训练得到的浮点权重进行处理，运行脚本找出合适的定点权重位宽。
• 通过比较浮点权重和不同位宽定点权重的预测结果，找到误差为 0 的位宽。

2.3 硬件实现

• 在 FPGA 上基于视频图像处理框架，添加神经网络模块实现手写数字识别功能。
• 导入定点权重，并添加图像采集、灰度化、显示等模块。
• 生成 bit 文件并下载到开发板进行测试。

3. 心得体会

3.1 成员1

• 学习并实践 FPGA 设计，对硬件编程有了更深入的理解。
• 通过实际操作，掌握了 TensorFlow 框架在图像识别领域的应用。
• 体会到理论与实践相结合的重要性，以及在项目实施过程中团队协作的重要性。

3.2 成员2

• 这次课程答辩让我对 FPGA 硬件编程有了更深刻的认识，尤其是在图像处理方面的应用。
• 通过搭建 Mnist 手写体识别系统，熟练掌握了 TensorFlow 框架的使用。
• 整个项目过程中，我学会了如何将理论应用于实践，以及如何与团队成员进行有效沟通和协作。