深度学习基于ZYNQ的卷积神经网络硬件加速器项目系统源码.zip

深度学习基于ZYNQ的卷积神经网络硬件加速器项目系统源码。一个非常完整的项目 运行流程 在Lenet5文件夹中训练并测试卷积神经网络。 量化神经网络并测试效果，最后导出参数。 在custom_ip工程待封装的硬件加速器各BROM IP核中加载刚生成的coe文件。 综合custom_ip中的工程，并导出IP核。 在LeNet5_PSPL工程中导入刚生成的IP核，综合、实现、导出bit流。 运行Xilinx SDK，导入测试图片的标签数据，进行测试。 基于ZYNQ实现了软硬协同的硬件加速器系统，实现对于卷积神经网络识别MNIST手写集的加速。 PL端实现硬件加速器（包括卷积层、池化层、全连接层的实现，缓存区，共享乘累加器）。PS端实现验证测试流程的控制（非常简单的逻辑，就是发送start信号，等待done拉高，读出识别结果，重复200次后计算准确率和耗时。真正软硬协同的PS端应该连上摄像头，然后把摄像头的数据发送过去识别。 测试在开发板上的效果是200张图片，准确率96.5%，耗时47ms。