项目名称：

PYNQ 分类——用于卷积神经网络的 Zynq FPGA 上的 Python（Alpha 版）

简要说明：

本仓库提供一个快速原型开发框架，这是一个开源框架，旨在实现嵌入式卷积神经网络（CNN）应用在 PYNQ 平台上的快速部署。

引用：

如果您使用了此代码，请通过引用我们的文章来致谢我们：

@inproceedings{Wang_FCCM18,
    author={E. Wang and J. J. Davis and P. Y. K. Cheung},
    booktitle={IEEE Symposium on Field-programmable Custom Computing Machines (FCCM)},
    title={{基于 PYNQ 的 CNN 快速原型开发框架}},
    year={2018}
}

项目构建与测试说明：

仓库组织

该项目演示接受采用 Caffe 或 Theano 语法的预训练 CNN 模型，因此步骤 1 和 2 介绍了如何在 PYNQ 上安装 Caffe 和 Theano（带 Lasagne）。步骤 3 则说明如何下载并运行 LeNet 和 CIFAR-10（Caffe “quick” 版本）模型的演示。

如需快速了解该项目，请观看我的视频教程。

1. PYNQ SD 卡镜像

我们已准备好包含预装 Caffe 和 Theano 依赖项的 SD 卡镜像。需要至少 16GB 容量的 SD 卡。PYNQ Jupyter Notebook 的静态 IP 地址为 192.168.2.99。

下载链接（百度网盘）

下载链接（Google Drive）

如果您希望自行设置 Caffe 和 Theano 依赖项，请参阅 MANUAL_INSTALL.md 获取说明。（不推荐，因为曾有多个问题报告）

2. Vivado 项目设置——如何实现更多 CNN 模型？

请前往 hw/README.md 查看有关重新生成 Vivado 和 Vivado HLS 项目的指南。

参考文献

1. BNN-PYNQ

如果您认为 BNN-PYNQ 很有用，请引用 FINN 论文：

@inproceedings{finn,
author = {Umuroglu, Yaman and Fraser, Nicholas J. and Gambardella, Giulio and Blott, Michaela and Leong, Philip and Jahre, Magnus and Vissers, Kees},
title = {FINN：一种用于快速、可扩展的二值化神经网络推理的框架},
booktitle = {2017 年 ACM/SIGDA 国际现场可编程门阵列研讨会论文集},
series = {FPGA '17},
year = {2017},
pages = {65--74},
publisher = {ACM}
}

2. Caffe

Caffe 采用 BSD 2-Clause 许可证发布。BAIR/BVLC 参考模型可供无限制使用。

如果 Caffe 对您的研究有所帮助，请在您的出版物中引用：

@article{jia2014caffe,
  Author = {Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff and Karayev, Sergey and Long, Jonathan and Girshick, Ross and Guadarrama, Sergio and Darrell, Trevor},
  Journal = {arXiv 预印本 arXiv:1408.5093},
  Title = {Caffe：用于快速特征嵌入的卷积架构},
  Year = {2014}
}

3. Theano

@ARTICLE{2016arXiv160502688short,
   author = {{Theano 开发团队}},
    title = "{Theano：一种用于快速计算数学表达式的 Python 框架}",
  journal = {arXiv e-prints},
   volume = {abs/1605.02688},
 primaryClass = "cs.SC",
 keywords = {计算机科学——符号计算、计算机科学——机器学习、计算机科学——数学软件},
     year = 2016,
    month = 五月，
      url = {http://arxiv.org/abs/1605.02688},
}

4. Lasagne

@misc{lasagne,
  author       = {Sander Dieleman 和
                  Jan Schlüter 和
                  Colin Raffel 和
                  Eben Olson 和
                  Søren Kaae Sønderby 和
                  Daniel Nouri 和
                  其他贡献者},
  title        = {Lasagne：首次发布。},
  month        = 8 月，
  year         = 2015，
  doi          = {10.5281/zenodo.27878},
  url          = {http://dx.doi.org/10.5281/zenodo.27878}
}

PYNQ-Classification 快速上手指南

PYNQ-Classification 是一个开源框架，旨在帮助开发者在 PYNQ 平台（Zynq FPGA）上快速部署嵌入式卷积神经网络（CNN）应用。本指南将协助您完成环境搭建与基础演示运行。

1. 环境准备

系统要求

• 硬件平台：Xilinx PYNQ-Z1 或 PYNQ-Z2 开发板。
• 存储介质：容量至少为 16GB 的 MicroSD 卡。
• 网络环境：电脑需能与开发板处于同一局域网，建议配置静态 IP。

前置依赖说明

本项目支持 Caffe 和 Theano (配合 Lasagne) 两种深度学习框架语法。

重要提示：官方强烈建议使用预装好所有依赖的 SD 卡镜像。手动安装依赖过程复杂且易出错（MANUAL_INSTALL.md 中已注明不推荐）。

2. 安装步骤

步骤一：烧录预构建镜像

为了节省配置时间并避免依赖冲突，请直接下载官方提供的预构建 SD 卡镜像（已包含 Caffe、Theano 及 Lasagne）。

下载链接（优先推荐国内源）：

• 百度网盘下载
• Google Drive 备用下载

操作指引：

1. 下载镜像文件并解压。
2. 使用工具（如 BalenaEtcher 或 Win32 Disk Imager）将镜像写入 16GB+ 的 SD 卡。
3. 将 SD 卡插入 PYNQ 开发板并通电启动。

步骤二：网络连接与访问

镜像启动后，PYNQ 的 Jupyter Notebook 服务默认静态 IP 已设定。

1. 确保您的电脑与 PYNQ 开发板连接在同一交换机或路由器下。
2. 将电脑的以太网接口 IP 设置为同网段（例如：192.168.2.x，子网掩码 255.255.255.0）。
3. 在浏览器中访问以下地址进入开发环境：

   http://192.168.2.99:9090
   

   (默认密码通常为 xilinx，具体请参考镜像说明)

步骤三：获取项目代码

在 Jupyter Notebook 界面的 Terminal 中，或通过 SSH 连接到开发板，克隆本项目仓库：

git clone https://github.com/Xilinx/PYNQ-Classification.git
cd PYNQ-Classification

(注：如果仓库中包含具体的 demo 文件夹，请进入对应目录，例如 cd demos)

3. 基本使用

本项目提供了基于 LeNet 和 CIFAR-10 (Caffe "quick" 版本) 的预训练模型演示。

运行演示示例

在 Jupyter Notebook 界面中，导航至项目目录，找到对应的 .ipynb 笔记本文件（通常命名为 LeNet_Demo.ipynb 或 CIFAR10_Demo.ipynb）。

1. 打开笔记本文件。
2. 按顺序执行单元格（Cell），系统将自动加载预训练的 CNN 模型并在 FPGA 上进行推理。
3. 观察输出结果，验证图像分类效果。

进阶：自定义模型

若需部署其他 CNN 模型，需重新生成 Vivado 和 Vivado HLS 工程。请参考项目内 hw/README.md 文档了解如何根据新的网络结构重构硬件比特流。

视频教程参考

如需直观的操作演示，可观看官方提供的视频教程： YouTube 教程链接