使用Theano，Python，PYNQ和Zynq開發定點Deep Recurrent神經網絡

　　可編程邏輯(PLD)是由一種通用的集成電路產生的，邏輯功能按照用戶對器件編程來確定，用戶可以自行編程把數字系統集成在PLD中。經過多年的發展，可編程邏輯器件由70年代的可編程邏輯陣列器件 (PLD) 發展到目前的擁有數千萬門的現場可編程陣列邏輯 (FPGA)，隨著人工智能研究的火熱發展，FPGA的并行性已經在一些實時性很高的神經網絡計算任務中得到應用。由于在FPGA上實現浮點數會耗費很多硬件資源，而定點數雖然精度有限，但是對于不同應用通過選擇合適的字長精度仍可以保證收斂，且速度要比浮點數表示更快而且資源耗費更少，已經使其成為嵌入式AI和機器學習應用程序的理想選擇。

　　最新的證明點是英國伯明翰大學電子電氣和系統工程系的Yufeng Hao和Steven Quigley最近發表的論文。論文標題為“在Xilinx FPGA上實現深度遞歸神經網絡語言模型“，介紹了使用Python編程語言成功實現和訓練基于固定點深度遞歸神經網絡(DRNN); Theano數學庫和多維數組的框架; 開源的基于Python的PYNQ開發環境; Digilent PYNQ-Z1開發板以及PYNQ-Z1板上的賽靈思Zynq Z-7020的片上系統SoC。Zynq-7000系列裝載了雙核ARM Cortex-A9處理器和28nm的Artix-7或Kintex-7可編程邏輯。在單片上集成了CPU,DSP以及ASSP，具備了關鍵分析和硬件加速能力以及混合信號功能，出色的性價比和最大的設計靈活性也是特點之一。使用Python DRNN硬件加速覆蓋(一種賽靈思公司提出的硬件庫，使用Python API在硬件邏輯和軟件中建立連接并交換數據)，兩個合作者使用此設計為NLP(自然語言處理)應用程序實現了20GOPS(10億次每秒)的處理吞吐量，優于早期基于FPGA的實現2.75倍到70.5倍。

　　論文的大部分討論了NLP和LM(語言模型)，“它涉及機器翻譯，語音搜索，語音標記和語音識別”。本文隨后討論了使用Vivado HLS開發工具和Verilog語言實現DRNN LM硬件加速器，可以為PYNQ開發環境合成一個定制的硬件覆蓋。由此產生的加速器包含五個過程元素(PE)，能夠在此應用程序中提供20GOPS的數據吞吐量。以下是設計的框圖：

　　DRNN加速器框圖

　　Vivado設計套件為下一代超高效率的C/C++和基于IP的設計提供了新的方法。融入了新的超快高效率設計方法集，用戶可以實現10-15倍的效率的提升。Vivado HLS支持ISE和Vivado設計環境，可以通過集成C,C++和SystemC標準到賽靈思的可編程器件中而無需創建RTL模型，加快IP的創建。

　　這篇論文中包括了大量深入的技術細節，但是這一句話總結了這篇博客文章的理由：“更重要的是，我們展示了軟件和硬件聯合設計和仿真過程在神經網絡領域的應用“。考慮到PYNQ-Z1開發板的售價為229美元，這種說法是完全正確的。