业务和功能介绍
在这个项目中，我们三人一组，主要实现的功能是利用Vivado软件操作平台在ZedBoard-zynq-7000c484开发板平台上实现卷积神经网络算法优化的目标。
通过上述优化，在相同硬件资源条件下，最终实现的运算速度比传统计算快183倍，比硬件优化方法快20%。这个项目获得了全国集成电路创新创业大赛二等奖。
我们的总体设计方法是这样的，首先在 C++平台上实现卷积核算法和反卷积算法，然后通过 vivado HLS 仿真进行总线带宽、pipeline、内部缓存、计算单元等方面硬件的优化，仿真波形和实际相符后，生成相应的 IP 核，vivado 导入 IP 核和 zynq7000 进行实物仿真，经过验证正确后烧入 fpga。图像从电脑端通过串口输入开发板，由于片内缓存不足以一次性存储1024个channel的150*150的图像，所以采用动态缓存的办法，Zynq 边对图像进行卷积处理，边从特征 cache 读取图像数据，一个 channel 处理完成后立即输出至 SDSDRAM（输出数据量较小），并空出相应的缓存资源供后续 channel的图像使用。我们将开发板的 8 个 LED 设置为输出结果，板上运行时，可通过 LED判断输出波形。
通过上述优化，在相同硬件资源条件下，最终实现的运算速度比传统计算快183倍，比硬件优化方法快20%。这个项目获得了全国集成电路创新创业大赛二等奖。
我们的总体设计方法是这样的，首先在 C++平台上实现卷积核算法和反卷积算法，然后通过 vivado HLS 仿真进行总线带宽、pipeline、内部缓存、计算单元等方面硬件的优化，仿真波形和实际相符后，生成相应的 IP 核，vivado 导入 IP 核和 zynq7000 进行实物仿真，经过验证正确后烧入 fpga。图像从电脑端通过串口输入开发板，由于片内缓存不足以一次性存储1024个channel的150*150的图像，所以采用动态缓存的办法，Zynq 边对图像进行卷积处理，边从特征 cache 读取图像数据，一个 channel 处理完成后立即输出至 SDSDRAM（输出数据量较小），并空出相应的缓存资源供后续 channel的图像使用。我们将开发板的 8 个 LED 设置为输出结果，板上运行时，可通过 LED判断输出波形。
项目实现
Vivado HLS 开创了一种全新理念，那就是用户可以通过 C/C++代码即可直接生成硬件执行文件，这使得很多用户不需要掌握特别深入的硬件知识也可进行硬件开发，降低了硬件开发的瓶颈，同时使得开发者把精力集中在优化算法和数据结构上，节省了大量时间。同时 vivado HLS 可以智能地进行内部资源分配，实现硬件优化。
遇到的问题：
传统的卷积神经网络计算电路存在一系列问题。第一，传统方法未考虑大量的0，导致算法低效、硬件利用效率低；第二，硬件计算单元任务量各异，不同单元间存在“等待”，时间冗余；第三，反卷积网络稀疏率极高，未避免计算资源浪费。
针对上面这几点问题，我们进行了相应的优化。
第一，稀疏矩阵处理：对稀疏矩阵采用稀疏处理，跳过含0项的计算，可以大大减少程序的运行时间，且稀疏率越大，效果越显著。
第二，负载均衡：对稀疏不均矩阵采用负载均衡处理，在并行的前提下可以提高运行速度，且不均匀程度越大，提高程度越大。
第三，并行计算：构建卷积核内并行计算机制，大大提高计算速度。在算法级，采用unroll实现。
第四，数据复用：卷积的过程对输入数据的采集存在重复的情况，引入数据复用机制，可以节省读取输入数据的时间。
第五，反卷积运算：反卷积稀疏率更大，因此优化效果更好。
遇到的问题：
传统的卷积神经网络计算电路存在一系列问题。第一，传统方法未考虑大量的0，导致算法低效、硬件利用效率低；第二，硬件计算单元任务量各异，不同单元间存在“等待”，时间冗余；第三，反卷积网络稀疏率极高，未避免计算资源浪费。
针对上面这几点问题，我们进行了相应的优化。
第一，稀疏矩阵处理：对稀疏矩阵采用稀疏处理，跳过含0项的计算，可以大大减少程序的运行时间，且稀疏率越大，效果越显著。
第二，负载均衡：对稀疏不均矩阵采用负载均衡处理，在并行的前提下可以提高运行速度，且不均匀程度越大，提高程度越大。
第三，并行计算：构建卷积核内并行计算机制，大大提高计算速度。在算法级，采用unroll实现。
第四，数据复用：卷积的过程对输入数据的采集存在重复的情况，引入数据复用机制，可以节省读取输入数据的时间。
第五，反卷积运算：反卷积稀疏率更大，因此优化效果更好。
示例图片视频
相似推荐
pdfToWordC#
PDF2Word Converter (.NET Core + avaloniaui)
一个基于 C# 语言和 avaloniaui 的 PDF 转 Word 办公桌面转换工具。通过单文件方式提供流畅的便携的本地文档转换体验。
✨ 核心特性
🚀 极速转换：采用.NET 环境进行开发，充分利用语言性能，实现急速转换。
🖥️ 跨平台兼容：通过 .NET Core + avaloniaui 实现平台代码隔离，完美支持 Windows / macOS / Linux
⏱️ 精准计时：内置转换耗时统计，便于性能诊断与优化追踪
分布式医疗电子挂号预约平台-电子挂号系统
分布式医疗预约挂号平台，拆分为用户、号源、订单、支付、排班五大微服务，实现科室排班、线上挂号、微信支付、订单对账全流程。解决热门号源超卖、支付状态不一致、API 越权访问、服务雪崩、缓存击穿等高并发问题，搭建号源并发防护、消息异步对账、网关统一鉴权、服务熔断降级、多层缓存防护体系，支撑高峰期大量患者预约请求。
医疗医保核销结算后台-医保核销系统
面向医疗机构搭建医保费用结算中台，覆盖门诊就诊登记、医保单据批量申报、财政基金拨付全流程数字化，支撑医院日常医保报销业务。系统解决并发提交重复扣款、多角色接口权限混乱、高频查询击穿数据库、事务与缓存同步失效等风险，实现单据三层并发校验、多维度动态权限管控、多级缓存防护、N+1 查询优化，保障医保结算数据合规准确。
面向生物医药专利和文献数据的专业化挖掘分析平台
对于生物医药领域的专利分析，尽管有部分专利分析的研究成果发表在相关学术期刊，但分析的深度、宽度却不具有实用价值，以及缺乏技术壁垒。但由于缺乏标准化、透明性，方法论的欠缺，使得目前的专利态势分析缺乏统一性和可重复性。
我们通过深入了解客户需求，整合专利信息挖掘、生物信息学、人工智能等多学科方法，建立了一套系统化的生物医药靶点与化合物分析流程，构建了面向生物医药专利和文献数据的专业化挖掘分析平台，实现了靶点搜寻、靶点专利全貌分析、先导化合物发现、分子清单管理等核心功能模块。
医保运营决策与 DIP 智能管理平台-医护堡
医护堡是面向医院医保管理部门的一体化运营决策平台，通过实时数据大屏、DIP 病案智能分组、医保规则智控、成本综合分析、预算预警等核心能力，帮助医院实现医保费用精细化管控、合规结算与运营决策可视化。
主要功能模块包括：
运营决策大屏： 实时展示在院人数、营收额、审核通过率、预警数、DIP 分组数、满意度等核心运营指标，辅助管理层快速掌握医院运营态势。
DIP 智能分组： 提供病案查询、DIP 规则查询、模拟分组、智能分组推荐、历史费用比较等功能，辅助医生和管理人员精准入组。
医保规则管理： 支持双库规则管理、规则智控验证、医保结算清单生成、自查飞检实时案例库，确保医保结算合规。
分析监控体系： 包括盈亏分析、成本综合分析、使用前后对比、异常行为预警、预算预警管理、自动分组等。
管理看板： 面向管理层提供领导看板、分析报表、系统管理、稽核整改等功能。
医生端助手： 为医生提供入组推荐与预警、数据上报、智能提醒、病案评分、评价体系等辅助工具。
通过上述模块，平台覆盖了从病案入组、费用监控、结算合规到管理决策的完整医保业务闭环。
主要功能路径：病案数据采集 → DIP 智能分组 → 医保规则校验 → 成本与盈亏分析 → 预算预警 → 领导看板决策 → 医生端入组推荐。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服