基于FPGA的神经网络实现与部署

1、基于TensorFlow框架训练简化版LeNet5对手写数字识别，保存网络权重与偏置参数并转化为二进制使FPGA得以运算；
2、基于FPGA开发平台vivado设计二进制乘法器与加法器以减少FPGA硬件资源消耗；使用乘法器与加法器设计乘加器（MAC），并使用MAC实现一维卷积操作；
3、基于一维卷积操作通过FIFO结构设计实现二维实时卷积，并使用Winogard卷积方法减少二维卷积中乘法次数（通过增加少量加操作减少乘操作，乘操作资源消耗远高于加法操作），最终将卷积乘法次数减少22%（卷积步长为2）；
4、基于二维卷积设计实现卷积层，基于MAC实现全连接层，使用查找表LUT实现relu、softmax激活函数，并将所有模块单独仿真后综合；将网络权重与偏置参数导入FPGA，输入手写数字图像进行识别；