spooNN 项目使用教程

1. 项目的目录结构及介绍

spooNN 项目的目录结构如下：

spooNN/
├── hls-nn-lib/
├── mnist-cnn/
├── halfsqueezenet/
├── recthalfsqznet/
├── .gitignore
├── DAC_rankings.jpg
├── DAC_rankings2019.jpg
├── LICENSE
├── README.md
└── spooNN.png

目录介绍：

• hls-nn-lib/: 包含用于 Vivado High Level Synthesis (HLS) 的神经网络推理库，实现为 C 语言。
• mnist-cnn/: 一个示例项目，展示了从训练到实现再到 FPGA 部署的端到端流程，用于 MNIST 手写数字分类任务。
• halfsqueezenet/: 目标平台为 PYNQ 的对象检测网络，在 DAC 2018 比赛中排名第二，提供了最高的 FPS 和最低的功耗。
• recthalfsqznet/: 目标平台为 ULTRA96 的对象检测网络，在 DAC 2019 比赛中排名第二，提供了最高的 FPS 和最低的功耗。
• .gitignore: Git 忽略文件配置。
• DAC_rankings.jpg 和 DAC_rankings2019.jpg: 比赛排名图片。
• LICENSE: 项目许可证文件，采用 AGPL-3.0 许可证。
• README.md: 项目介绍和使用说明。
• spooNN.png: 项目相关图片。

2. 项目的启动文件介绍

spooNN 项目没有明确的“启动文件”，但每个子目录（如 mnist-cnn 和 halfsqueezenet）中都有各自的启动脚本和配置文件。以下是一些关键的启动文件：

mnist-cnn/

• train.py: 用于训练 MNIST 数据集的脚本。
• deploy.sh: 用于将训练好的模型部署到 FPGA 的脚本。

halfsqueezenet/

• train.py: 用于训练对象检测网络的脚本。
• deploy.sh: 用于将训练好的模型部署到 PYNQ 平台的脚本。

recthalfsqznet/

• train.py: 用于训练对象检测网络的脚本。
• deploy.sh: 用于将训练好的模型部署到 ULTRA96 平台的脚本。

3. 项目的配置文件介绍

spooNN 项目的配置文件主要集中在每个子目录中，用于配置训练和部署的参数。以下是一些关键的配置文件：

mnist-cnn/

• config.json: 包含训练和部署的配置参数，如学习率、批量大小、硬件平台等。

halfsqueezenet/

• config.json: 包含训练和部署的配置参数，如学习率、批量大小、硬件平台等。

recthalfsqznet/

• config.json: 包含训练和部署的配置参数，如学习率、批量大小、硬件平台等。

这些配置文件通常使用 JSON 格式，用户可以根据需要修改这些文件以适应不同的训练和部署需求。