基于FPGA的一维卷积神经网络CNN的实现（五）数据量化（附代码）

数据量化

环境： Pytorch，Pycham，Matlab。（订阅后有问题，或者需要该节的文件直接加微信：Crazzy_M）

说明： 上一节已经通过Matlab中基础的乘加运算进行了CNN网络的前向计算过程。

该节利用Matlab将导出的CNN网络所需要的参数进行定点量化，最后传输至FPGA端进行计算。
第一节：基于FPGA的一维卷积神经网络CNN的实现（一）框架
第二节：基于FPGA的一维卷积神经网络CNN的实现（二）资源分配
第三节：基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）
第四节：基于FPGA的一维卷积神经网络CNN的实现（四）Matlab前向验证（附代码）
第五节：基于FPGA的一维卷积神经网络CNN的实现（五）数据量化（附代码）
第六节：基于FPGA的一维卷积神经网络CNN的实现（六）卷积层实现
第七节：基于FPGA的一维卷积神经网络CNN的实现（七）池化层实现
第八节：基于FPGA的一维卷积神经网络CNN的实现（八）激活层实现

1.FPGA DSP简介

本文使用的FPGA内嵌的专用DSP资源为DSP48E2，DSP48E2的结构如下图所示

DS48E2内置27bit预加器（加法器），27×18的乘法器可以完成27bit与18bit的乘法运算。所以数据选择了18bit的位宽。但是在FPGA中计算定点数要优于浮点数运算，所以要将进入网络的数据以及权重参数转换为规定位宽的定点数。

2.数据量化

FPGA作为一种可编程器件，内部有丰富的逻辑资源和专用的DSP计算单元，可利用丰富的逻辑资源和专用DSP计算单元通过FPGA并行特性实现CNN网络中大量的乘加运算。神经网络计算离不开小数的运算，小数在FPGA内部可以有两种表示方式：浮点数和定点数，本文采用定点数据格式进行数据的运算。该两种表示方法最大的区别在于小数点是否为固定值。

（1）浮点数

浮点数，即小数点非固定的数，其表示的范围较广，整数和小数都可以表示，有单精度（float）和双精度（double）两种表示方法。浮点数由符号位、阶码和尾数构成。

其中1bit