课程答辩

1. 小组分工

• 小组成员根据个人专长和兴趣，分工明确，协同合作。

2. 基础部分

2.1 keras、tensorflow的搭建及训练

• 利用keras框架进行深度学习模型的搭建。
• 使用tensorflow进行模型的训练和优化。

2.2 ECE-FPGA的练习

2.2.1 Vivado环境下封装ip核

• 在Vivado环境中封装ip核，实现硬件功能的集成。

2.2.2 使用Vivado IP集成器创建IPI子系统

• 使用Vivado IP集成器创建IPI子系统，提高系统集成度。

2.2.3 用Vivado对FPGA设计进行调试

• 使用Vivado对FPGA设计进行调试，确保硬件功能正常运行。

2.2.4 在IP集成器环境下使用ILA以及VIO IP进行设计的调试

• 在IP集成器环境下使用ILA以及VIO IP进行设计的调试，优化系统性能。

2.3 基于FPGA视频图像处理

• 利用FPGA实现视频图像处理，提高图像处理速度和效率。

3. 综合运用

3.1 基于FPGA/ZYNQ的Mnist手写体识别系统搭建

• 通过 TensorFlow框架实现 VGG手写数字识别网络的训练，获取网络权重参数。

3.1.1 网络训练与测试

• 使用 Keras 框架训练一个轻量级的 VGG 网络，并在 MNIST 数据集，以及用户数据集 对网络进行训练和测试。

3.1.2 权重参数处理

• 对训练得到的浮点权重进行处理，获取可用于 FPGA硬件实现的定点型权重。

3.1.3 硬件实现

• 在 FPGA 基于part3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。

4. 心得体会

4.1 成员1

• 学习并掌握深度学习模型搭建和训练的技能，提高了编程和算法能力。
• 熟练使用FPGA进行硬件设计和调试，提高了硬件开发能力。

4.2 成员2

• 通过本次课程答辩，对深度学习和FPGA技术有了更深入的了解。
• 培养了团队合作精神，提高了沟通和协作能力。