owned this note
owned this note
Published
Linked with GitHub
# Projet FPGA 2 - Plateform Based Design: Rapport intermédiare semaine 16/09
Seam RAMS
Estephe BEYRIERE
Miguel GAZQUEZ
## Partie 1 : Profilage
### Question 1 Identifiez les différentes fonctions du programme et leurs rôles.
* SIGMOID(x): Macro permettant d'effectuer le calcul de l'état du neurone depuis un potentiel post-synaptique passé en arguments.
* DSIGMOID(S): Macro permettant de calculer de le potentiel post-synaptique d'un neurone depuis l'état d'un neurone passé en arguments.
* calculateLayer1(float* input, float* Layer1_Neurons_CPU) : Cette fonction permet de charger la première image du Réseaux dans les bonnes dimensions. L'adresse de l'image est passée en argument avec le pointeur input et le résultat quant à lui est stocké dans l'emplacement pointé par Layer1_Neurons_CPU. On s'assure de la bonne dimension de l'image grâce au troisième paramètre de la fonction memcpy.
* calculateLayer2(float* Layer1_Neurons_CPU, float* Layer1_Weights_CPU, float* Layer2_Neurons_CPU): Cette fonction effectue la convolution pour passer de la couche 1 à la couche 2. Elle va donc effectuer la convolution entre la couche 1 (Layer1_Neurons_CPU) et les 6 filtres avec leur bias (Layer1_Weights_CPU). Le résultat de cette convolution est stocké dans Layer2_Neurons_CPU après être passé dans la macro SIGMOID.
* calculateLayer3(float* Layer2_Neurons_CPU, float* Layer2_Weights_CPU, float* Layer3_Neurons_CPU) : Cette fonction effectue la convolution pour passer de la couche 2 à la couche 3. Elle va donc effectuer la convolution entre la couche 2 (Layer2_Neurons_CPU) et les 50 filtres avec leur bias (Layer2_Weights_CPU). Le résultat de cette convolution est stocké dans Layer3_Neurons_CPU aprés être passé dans la macro SIGMOID.
* calculateLayer4(float* Layer3_Neurons_CPU, float* Layer3_Weights_CPU, float* Layer4_Neurons_CPU): Cette fonction effectue la connexion totale pour passer de la couche 3 à la couche 4. Pour chaque ensemble de la couche 3, on va sommer toutes les multiplication entre les 50 ensembles de neurones de la couche 3 (Layer3_Neurons_CPU) et les poids (Layer3_Weights_CPU) attribuer à chaque paire de neurones de la couche 3 et 4. Avant de stocker son résultat dans Layer4_Neurons_CPU, ce dernier sera passé dans la macro SIGMOID.
* calculateLayer5(float* Layer4_Neurons_CPU, float* Layer4_Weights_CPU, float* Layer5_Neurons_CPU): Cette fonction effectue la connexion totale pour passer de la couche 4 à la couche 5. Pour chaque ensemble de la couche 5, on va sommer toutes les multiplication entre les 100 ensembles de neurones de la couche 4 (Layer4_Neurons_CPU) et les poids (Layer4_Weights_CPU) attribué à chaque paire de neurone de la couche 4 et 5. Avant de stocké son résultat dans Layer5_Neurons_CPU, ce dernier sera passé dans la macro SIGMOID.
* InitHost(Memfloat *Layer1_Weights_CPU,float *Layer2_Weights_CPU, float *Layer3_Weights_CPU,float *Layer4_Weights_CPU): Charge tous les poids (éléments d'un filtre lors de la convolution) pour toutes les couches depuis 4 fichiers.
* readIn(float *layer1) : Permet de charger depuis un fichier la première couche du réseaux.
* output(double *final) : Permet d'exporter dans un fichier le résultat de la reconnaissance.
### Question 2 : Compilez le programme et testez-le.
Makefile utilisé:
```makefile
C_ARGS = -O0 -g -lm -pg
main: main.c fonctions_ES.o timers_b.o
gcc main.c timers_b.o fonctions_ES.o -o main $(C_ARGS)
fonctions_ES.o: fonctions_ES.c
gcc -c fonctions_ES.c $(C_ARGS)
timers_b.o: timers_b.c timers_b.h
gcc -c timers_b.c $(C_ARGS)
clean:
rm *.o
```
Voici les résultat obtenue:
* Pour le caractère 2 :
```c++
./main
0 : -0.976701
1 : -0.997210
2 : 0.928666
3 : -0.991474
4 : -1.101823
5 : -0.986892
6 : -0.984231
7 : -0.964758
8 : -1.007391
9 : -0.991232
Le resultat est : 2
```
* Pour le caractère 3 :
```c++
./main
0 : -0.900722
1 : -1.023156
2 : -0.812780
3 : 0.940571
4 : -1.066863
5 : -0.921117
6 : -1.015146
7 : -1.014814
8 : -1.118805
9 : -1.037242
Le resultat est : 3
```
* Pour le caractère 8 :
```c++
./main
0 : -0.887401
1 : -0.992231
2 : -0.813157
3 : -1.009906
4 : -1.022378
5 : -0.891265
6 : -0.870917
7 : -1.085942
8 : 0.621686
9 : -0.950229
Le resultat est : 8
```
### Question 3 : En utilisant l’option -pg du compilateur gcc faites un profil d’exécution de ce réseau en identifiant les fonctions chronophages.
En utilisant les ordinateurs de la salle SeSi possédant un intel® Core™ i5-8400, nous avons pas réussi à profilé étant donné que le pas de mesure de Gprof est trop lent et que le programme s'exécute trop vite.
Résultat renvoyé par gprof :
```c
Flat profile:
Each sample counts as 0.01 seconds.
no time accumulated
% cumulative self self total
time seconds seconds calls Ts/call Ts/call name
0.00 0.00 0.00 1 0.00 0.00 InitHostMem
0.00 0.00 0.00 1 0.00 0.00 calculateLayer1
0.00 0.00 0.00 1 0.00 0.00 calculateLayer2
0.00 0.00 0.00 1 0.00 0.00 calculateLayer3
0.00 0.00 0.00 1 0.00 0.00 calculateLayer4
0.00 0.00 0.00 1 0.00 0.00 calculateLayer5
```
Nous avons aussi essayé de le faire tourner sur des ordinateurs moins puissants ( avec un processeur intel atome), sans succès.
Nous avons pu faire un profilage des accès du cache en utilisant l'outil callgrind de Valgrind cependant les informations données sont quasiment impossibles à interpréter en temporel.
Résultat renvoyer par callgrind :
InitHostMem
```c
==195318== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==195318== Collected : 30248 8163 5701 186 103 146 186 103 146
==195318==
==195318== I refs: 30,248
==195318== I1 misses: 186
==195318== LLi misses: 186
==195318== I1 miss rate: 0.61%
==195318== LLi miss rate: 0.61%
==195318==
==195318== D refs: 13,864 (8,163 rd + 5,701 wr)
==195318== D1 misses: 249 ( 103 rd + 146 wr)
==195318== LLd misses: 249 ( 103 rd + 146 wr)
==195318== D1 miss rate: 1.8% ( 1.3% + 2.6% )
==195318== LLd miss rate: 1.8% ( 1.3% + 2.6% )
==195318==
==195318== LL refs: 435 ( 289 rd + 146 wr)
==195318== LL misses: 435 ( 289 rd + 146 wr)
==195318== LL miss rate: 1.0% ( 0.8% + 2.6% )
```
calculateLayer1
```c
==195797== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==195797== Collected : 237963 53462 38798 1385 2034 1268 1372 1634 1215
==195797==
==195797== I refs: 237,963
==195797== I1 misses: 1,385
==195797== LLi misses: 1,372
==195797== I1 miss rate: 0.58%
==195797== LLi miss rate: 0.58%
==195797==
==195797== D refs: 92,260 (53,462 rd + 38,798 wr)
==195797== D1 misses: 3,302 ( 2,034 rd + 1,268 wr)
==195797== LLd misses: 2,849 ( 1,634 rd + 1,215 wr)
==195797== D1 miss rate: 3.6% ( 3.8% + 3.3% )
==195797== LLd miss rate: 3.1% ( 3.1% + 3.1% )
==195797==
==195797== LL refs: 4,687 ( 3,419 rd + 1,268 wr)
==195797== LL misses: 4,221 ( 3,006 rd + 1,215 wr)
==195797== LL miss rate: 1.3% ( 1.0% + 3.1% )
```
calculateLayer2
```c
==195927== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==195927== Collected : 238390 53599 38928 1387 2034 1319 1374 1634 1266
==195927==
==195927== I refs: 238,390
==195927== I1 misses: 1,387
==195927== LLi misses: 1,374
==195927== I1 miss rate: 0.58%
==195927== LLi miss rate: 0.58%
==195927==
==195927== D refs: 92,527 (53,599 rd + 38,928 wr)
==195927== D1 misses: 3,353 ( 2,034 rd + 1,319 wr)
==195927== LLd misses: 2,900 ( 1,634 rd + 1,266 wr)
==195927== D1 miss rate: 3.6% ( 3.8% + 3.4% )
==195927== LLd miss rate: 3.1% ( 3.0% + 3.3% )
==195927==
==195927== LL refs: 4,740 ( 3,421 rd + 1,319 wr)
==195927== LL misses: 4,274 ( 3,008 rd + 1,266 wr)
==195927== LL miss rate: 1.3% ( 1.0% + 3.3% )
```
calculateLayer3
```c
==196094== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==196094== Collected : 1364985 425196 107057 1415 2046 1383 1402 1644 1329
==196094==
==196094== I refs: 1,364,985
==196094== I1 misses: 1,415
==196094== LLi misses: 1,402
==196094== I1 miss rate: 0.10%
==196094== LLi miss rate: 0.10%
==196094==
==196094== D refs: 532,253 (425,196 rd + 107,057 wr)
==196094== D1 misses: 3,429 ( 2,046 rd + 1,383 wr)
==196094== LLd misses: 2,973 ( 1,644 rd + 1,329 wr)
==196094== D1 miss rate: 0.6% ( 0.5% + 1.3% )
==196094== LLd miss rate: 0.6% ( 0.4% + 1.2% )
==196094==
==196094== LL refs: 4,844 ( 3,461 rd + 1,383 wr)
==196094== LL misses: 4,375 ( 3,046 rd + 1,329 wr)
==196094== LL miss rate: 0.2% ( 0.2% + 1.2% )
```
calculateLayer4
```c
==196171== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==196171== Collected : 9896406 2759108 347680 1434 2537 1463 1421 2085 1405
==196171==
==196171== I refs: 9,896,406
==196171== I1 misses: 1,434
==196171== LLi misses: 1,421
==196171== I1 miss rate: 0.01%
==196171== LLi miss rate: 0.01%
==196171==
==196171== D refs: 3,106,788 (2,759,108 rd + 347,680 wr)
==196171== D1 misses: 4,000 ( 2,537 rd + 1,463 wr)
==196171== LLd misses: 3,490 ( 2,085 rd + 1,405 wr)
==196171== D1 miss rate: 0.1% ( 0.1% + 0.4% )
==196171== LLd miss rate: 0.1% ( 0.1% + 0.4% )
==196171==
==196171== LL refs: 5,434 ( 3,971 rd + 1,463 wr)
==196171== LL misses: 4,911 ( 3,506 rd + 1,405 wr)
==196171== LL miss rate: 0.0% ( 0.0% + 0.4% )
```
calculateLayer5
```c
==196262== Events : Ir Dr Dw I1mr D1mr D1mw ILmr DLmr DLmw
==196262== Collected : 15996761 4447082 658402 1440 10384 1472 1427 9670 1412
==196262==
==196262== I refs: 15,996,761
==196262== I1 misses: 1,440
==196262== LLi misses: 1,427
==196262== I1 miss rate: 0.01%
==196262== LLi miss rate: 0.01%
==196262==
==196262== D refs: 5,105,484 (4,447,082 rd + 658,402 wr)
==196262== D1 misses: 11,856 ( 10,384 rd + 1,472 wr)
==196262== LLd misses: 11,082 ( 9,670 rd + 1,412 wr)
==196262== D1 miss rate: 0.2% ( 0.2% + 0.2% )
==196262== LLd miss rate: 0.2% ( 0.2% + 0.2% )
==196262==
==196262== LL refs: 13,296 ( 11,824 rd + 1,472 wr)
==196262== LL misses: 12,509 ( 11,097 rd + 1,412 wr)
==196262== LL miss rate: 0.1% ( 0.1% + 0.2% )
```
### Question 4 : Utilisez cette fonction (d_time()) pour mesurer le temps d’exécution de toutes les fonctions
De même que pour la question précédente, toutes tentatives d'effectuer un profilage “manuel” n'ont donné aucun résultat.
## Partie 2 : ARM et IP matérielle
### Question 1 : Instancier le Soc Zynq en configurant le processeur ARM sur Vivado et générer la configuration matérielles (bitstream).
En suivant les exercices 1A et 1B présent dans The Zynq Book Tutorials, nous avons repris nos marques sur Vivado. Nous avons d'abord créé un Block Design, puis nous avons instancié l'IP du processeur ARM (ZYNQ7 Processing System) et pour finir nous avons ajouté une IP de GPIO configurée pour le fonctionnement de led. Nous avons ensuite créé un HDL Wrapper de ce block design, généré son bitstream qui a été exporté pour être exploité sur Vitis.
### Question 2: Apporter les modifications nécessaires à exécuter le programme sur le processeur ARM.
Nous sommes actuellement à cette étapes et nous avons identifié 2 grands axes de modification :
1. L'impossibilité du chargement des poids: Étant donné que les poids sont dans des fichiers présent la mémoire secondaire de l'ordinateur. Deux solution sont envisagés pour solutionner ce problème :
1. Chargé sur une carte SD les fichiers de poids puis de les lire depuis la carte. Pour réussir cela il nous faut ajouter de nouveaux include. Nous sommes actuellement en train de nous renseigner sur la manière de faire.
2. En utilisant des Headers stockant les poids. Pour cela nous avons créé 4 header contenant uniquement un tableau possédant tous les poids nécessaires. C'est actuellement la méthode utilisée pour résoudre le problème. Cependant dû à l'autre grand problème, cette solution n'est pas optimale et posera sûrement des problèmes dans le futur.
2. La taille de la mémoire limitée (RAM) sur la carte: Nous avons observé que le programme plantait toujours lors du passage de la couche 3 à 4 sans raison apparente. Après investigation nous supposons que cela est dû à un manque de place sur la RAM de la carte. Notre hypothèse est que nous arrivions bien a déclarer les tableaux sans problème grâce à la mémoire virtuel, cependant lorsque nous utilisions ces tableaux pour stocker ou manipuler une donnée et que cette adresse n'arrive pas à trouver correspondance physique sans conflit, le programme plante.En combinaisons avec le premier problème, les appelle f_read() ne se font pas dans InitHostMem, le conflit arrive donc plus tard étant donné que les poids ne sont pas initialisé. La solution trouvée pour résoudre ce problème est d'utiliser des tableaux alloués dynamiquement.
23/11/2023
Après plusieurs tests, nous nous sommes rendu compte que les xil_printf avec des caractère dynamique faisait planter notre programme. En augmentant la taille de la stack, nous avons pu éviter le crash de notre programme. De plus, nous avons conservé les poids dans le .h afin d'avoir un programme plus rapide.
### Question 3: Compilez le programme et testez-le en le téléchargeant dans le ZYNQ de la carte Zedboard et en l’exécutant in-situ
Nous avons donc ce programme : ( les led ont servis pour le debug avant que nous ayons découvert comment faire marcher les xil_printf.)
```c
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <float.h>
#include <math.h>
#include "timers_b.h"
#include "xparameters.h"
#include "xgpio.h"
#include "xstatus.h"
#include "xil_printf.h"
#include "lw1.wei.h"
#include "lw2.wei.h"
#include "lw3.wei.h"
#include "lw4.wei.h"
#include "led.h"
#define IMGWIDTH 29
#define IMGHEIGHT 29
#define tour 10000
#define SIGMOID(x) (1.7159*tanh(0.66666667*x))
#define DSIGMOID(S) (0.66666667/1.7159*(1.7159+(S))*(1.7159-(S)))
void calculateLayer1(float* input, float* Layer1_Neurons_CPU);
void calculateLayer2(float* Layer1_Neurons_CPU, float* Layer1_Weights_CPU, float* Layer2_Neurons_CPU);
void calculateLayer3(float* Layer2_Neurons_CPU, float* Layer2_Weights_CPU, float* Layer3_Neurons_CPU);
void calculateLayer4(float* Layer3_Neurons_CPU, float* Layer3_Weights_CPU, float* Layer4_Neurons_CPU);
void calculateLayer5(float* Layer4_Neurons_CPU, float* Layer4_Weights_CPU, double* Layer5_Neurons_CPU);
void InitHostMem(float *Layer1_Weights_CPU,float *Layer2_Weights_CPU, float *Layer3_Weights_CPU,float *Layer4_Weights_CPU);
void InitHostMem(float *Layer1_Weights_CPU,float *Layer2_Weights_CPU,float *Layer3_Weights_CPU,float *Layer4_Weights_CPU);
int main(int argc, char** argv){
setup_led();
// float
// *Layer1_Weights_CPU,
// *Layer2_Weights_CPU,
// *Layer3_Weights_CPU,
// *Layer4_Weights_CPU;
// Layer1_Weights_CPU =(float*)malloc(sizeof(float)*(5*5+1)*6); // 624 o
// Layer2_Weights_CPU =(float*)malloc(sizeof(float)*(5*5+1)*6*50); //31 Ko
// Layer3_Weights_CPU =(float*)malloc(sizeof(float)*(5*5*50+1)*100); //500 Ko
// Layer4_Weights_CPU =(float*)malloc(sizeof(float)*(100+1)*10); //4Ko
//
// float
// *Layer1_Neurons_CPU,
// *Layer2_Neurons_CPU,
// *Layer3_Neurons_CPU,
// *Layer4_Neurons_CPU;
//
//
//
// Layer1_Neurons_CPU =(float*)malloc(sizeof(float)*IMGWIDTH*IMGHEIGHT); //3 Ko
// Layer2_Neurons_CPU =(float*)malloc(sizeof(float)*6*13*13); //4 Ko
// Layer3_Neurons_CPU =(float*)malloc(sizeof(float)*50*5*5); //5Ko
// Layer4_Neurons_CPU =(float*)malloc(sizeof(float)*100); //400 o
while(1) {
float
Layer1_Neurons_CPU[IMGWIDTH*IMGHEIGHT]={0},
Layer2_Neurons_CPU[6*13*13]={0},
Layer3_Neurons_CPU[50*5*5]={0},
Layer4_Neurons_CPU[100]={0};
double
Layer5_Neurons_CPU[10];
int i;
float Input[29*29] = {
// caractère "2"
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,0,0,0,1,1,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1
// caractère "3"
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,0,0,0,1,1,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
// 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1
// caractère "8"
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,1,1,1,1,1,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,0,0,1,1,1,1,1,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1
};
led_on(0);
//double t1 = dtime();
//InitHostMem(Layer1_Weights_CPU,Layer2_Weights_CPU,Layer3_Weights_CPU,Layer4_Weights_CPU);
//double t2 = dtime();
led_on(1);
calculateLayer1(Input, Layer1_Neurons_CPU);
//double t3 = dtime();
led_on(2);
calculateLayer2(Layer1_Neurons_CPU, Layer1_Weights_CPU, Layer2_Neurons_CPU);
//double t4 = dtime();
led_on(3);
calculateLayer3(Layer2_Neurons_CPU, Layer2_Weights_CPU, Layer3_Neurons_CPU);
//double t5 = dtime();
led_on(4);
calculateLayer4(Layer3_Neurons_CPU, Layer3_Weights_CPU, Layer4_Neurons_CPU);
//double t6 = dtime();
led_on(5);
calculateLayer5(Layer4_Neurons_CPU, Layer4_Weights_CPU, Layer5_Neurons_CPU);
//double t7 = dtime();
led_on(6);
//xil_printf("%lf %lf %lf %lf %lf %lf %lf\n",t2-t1,t3-t2,t4-t3,t5-t4,t6-t5,t7-t6);
double scoremax = FLT_MIN;
int indexmax=-1;
for(i=0;i<10;i++)
{
if(Layer5_Neurons_CPU[i]>scoremax)
{
scoremax = Layer5_Neurons_CPU[i];
indexmax = i;
}
}
set_led(indexmax);
}
set_led(1);
return 0;
}
void calculateLayer1(float* input, float* Layer1_Neurons_CPU){
memcpy(Layer1_Neurons_CPU, input, IMGWIDTH*IMGHEIGHT*sizeof(float));
}
void calculateLayer2(float* Layer1_Neurons_CPU, float* Layer1_Weights_CPU, float* Layer2_Neurons_CPU){
float somme;
int i,j,k,m,n;
for(i=0;i<6;i++)
for(j=0;j<13;j++)
for(k=0;k<13;k++){
somme = Layer1_Weights_CPU[26*i];
for(m=0;m<5;m++)
for(n=0;n<5;n++)
somme += Layer1_Weights_CPU[26*i+5*m+n+1] * Layer1_Neurons_CPU[29*(m+2*j)+n+2*k];
Layer2_Neurons_CPU[13*13*i+13*j+k] = (float) SIGMOID(somme);
}
}
void calculateLayer3(float* Layer2_Neurons_CPU, float* Layer2_Weights_CPU, float* Layer3_Neurons_CPU){
float somme;
int i,j,k,m,n;
for( i=0;i<50;i++)
for(j=0;j<5;j++)
for(k=0;k<5;k++){
somme = Layer2_Weights_CPU[26*6*i];
for( m=0;m<5;m++)
for( n=0;n<5;n++){
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m) ] * Layer2_Neurons_CPU[13*13*0+13*(2*j+m)+(2*k+n)];
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m)+1] * Layer2_Neurons_CPU[13*13*1+13*(2*j+m)+(2*k+n)];
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m)+2] * Layer2_Neurons_CPU[13*13*2+13*(2*j+m)+(2*k+n)];
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m)+3] * Layer2_Neurons_CPU[13*13*3+13*(2*j+m)+(2*k+n)];
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m)+4] * Layer2_Neurons_CPU[13*13*4+13*(2*j+m)+(2*k+n)];
somme += Layer2_Weights_CPU[26*6*i+1+6*(n+5*m)+5] * Layer2_Neurons_CPU[13*13*5+13*(2*j+m)+(2*k+n)];
}
Layer3_Neurons_CPU[5*5*i+5*j+k] = (float) SIGMOID(somme);
}
}
void calculateLayer4(float* Layer3_Neurons_CPU, float* Layer3_Weights_CPU, float* Layer4_Neurons_CPU){
float somme;
int i, j, k, m;
for( i=0;i<100;i++){
somme = Layer3_Weights_CPU[i*(1+50*25)];
for( j=0;j<50;j++)
for( k=0;k<5;k++)
for ( m=0;m<5;m++)
somme += Layer3_Weights_CPU[i*(1+50*25)+1 + m + k*5 + j*25] * Layer3_Neurons_CPU[m+5*k+25*j];
Layer4_Neurons_CPU[i] = (float) SIGMOID(somme);
}
}
void calculateLayer5(float* Layer4_Neurons_CPU, float* Layer4_Weights_CPU, double* Layer5_Neurons_CPU){
float somme;
int i, j;
for( i=0;i<10;i++){
somme = Layer4_Weights_CPU[101*i];
for( j=0;j<100;j++)
somme += Layer4_Weights_CPU[1+101*i+j] * Layer4_Neurons_CPU[j];
Layer5_Neurons_CPU[i] = SIGMOID(somme);
}
}
```
### Question 4: Profiler le code exécuté sur le processeur ARM avec des timers logiciels ou matériels)
Utilisant le profileur TCF inclus dans vitis, nous avons donc identifié que le passage de la couche 3 à 4 prend plus de 50% du temps et que le passage de la couche 4 à 5 prend plus de 30% du temps. Étant donné que ces deux fonctions sont similaires (connexion suivant un schéma complet), il faut donc optimiser le schéma complet.
### Question 5: Réalisez une IP avec une interface AXI-Light permettant d’afficher sur les leds en binaire le résultat de la reconnaissance, si rien n’est reconnu vous allumerez tous les leds indiquant une impossibilité de reconnaître le caractère
Déjà implémenté à la question 3.
### Note:
Question a resoudre :
Comment Accéder à la ram depuis L'IP lw3?
Piste : Utilisation de AXIS_Stream + DMA -> comment faire marche le DMA ?
XTime_GetTime
Google Drive
Gist
Clipboard
Sign in with Wallet
