Чтобы загрузить входное изображение к развернутому ядру процессора IP глубокого обучения и получить выходные результаты, можно считать данные из внешней памяти и записать данные к внешней памяти при помощи dlhdl.Workflow рабочий процесс. Этот рабочий процесс форматирует ваши данные. Или, можно вручную отформатировать входные данные. Обработайте данные об отформатированном выводе при помощи формата данных внешней памяти.
Parallel Data Transfer Number относится к количеству пикселей, которые передаются каждый такт через основной интерфейс AXI. Используйте букву N вместо Parallel Data Transfer Number. Математически N квадратный корень из ConvThreadNumber. Смотрите ConvThreadNumber.
Feature Number относится к значению z размерности x y z матрицей. Например, больше всего входные изображения имеют размерность x y три с тремя обращениями к красным, зеленым, и синим каналам изображения. Используйте букву Z вместо Feature Number.
Вводы и выводы модуля свертки процессора глубокого обучения являются обычно 3D (3-D).The внешней памятью, хранит данные в одномерном (1D) векторе. Преобразование 3-D входа отображает в 1D, чтобы сохранить во внешней памяти:
Отправьте N количество данных в z размерность матрицы.
Отправьте данные изображения по x измерению входного изображения.
Отправьте данные изображения по y измерению входного изображения.
После первого NXY блок завершается, мы затем отправляем следующий NXY блокируйтесь вдоль z размерность матрицы.
Изображение демонстрирует, как данные, хранимые в 3 матрицей 3 на 4, переводятся в 1 36 матрица, которая затем хранится во внешней памяти.
Когда изображение Feature Number (Z) не кратное Parallel Data Transfer Number (N), затем мы должны заполнить, обнуляет матрицу размера x-by-y по z измерению матрицы, чтобы сделать изображение Z кратное значения N.
Например, если ваше входное изображение является x-by-y матрицей с Z значение три и значение N четыре, заполните изображение нулевой матрицей размера x-by-y, чтобы сделать вход к внешней памяти x y 4 матрицами.
Это изображение является входным форматом изображения перед дополнением.
Это изображение является входным форматом изображения после нулевого дополнения.
Изображение показывает примеру выходной формат данных внешней памяти для входной матрицы после нулевого дополнения. В изображении A, B, и C являются тремя функциями входного изображения, и G является нулем - дополненные данные, чтобы заставить вход отобразить Z значение четыре, который является кратным N.
Если ваш процессор глубокого обучения состоит только из свертки (conv) обработка модуля, выход, внешние данные используют conv модуль внешний формат данных, что означает, что это возможно содержит дополненные данные если ваш выход Z значение не является кратным N значение. Заполненные данные удалены, когда вы используете dlhdl.Workflow рабочий процесс. Если вы не используете dlhdl.Workflow рабочий процесс и непосредственно считал выход из внешней памяти, удаляет заполненные данные.
Если ваша нейронная сеть для глубокого обучения состоит и из свертки (conv) и из полностью соединила (ФК) слои, выход процессора глубокого обучения (DL) следует за форматом данных внешней памяти модуля ФК.
Изображение показывает формат выходных данных внешней памяти в качестве примера для полностью связанного выходного размера элемента шесть. В изображении A, B, C, D, E, и F являются выходными функциями изображения.
