千歌叹尽执夏的博客

神经网络在FPGA（现场可编程门阵列）上部署的目的是为了实现高效、低延迟的推理计算。FPGA具有高度并行处理能力和可定制硬件架构，能够加速神经网络的计算速度，降低功耗，并在实时应用中提供更快的响应时间。这在边缘计算、嵌入式系统和对性能要求苛刻的应用（如自动驾驶、医疗影像分析和金融交易）中特别有意义，因为它可以在有限的硬件资源下实现高效的深度学习推理，从而提升系统的整体性能和效能。

8月1号写完了神经网络训练（二）:基于残差连接的图片分类网络(进阶篇②)，进行了概述及理论介绍，本篇继续写第四章，对本项目做一个总结。

原始的ResNet18模型在不使用预训练权重的情况下，很难在10分钟内达到我们的需求。在测试过程中，我们发现仅通过调整模型的超参数是不可能获得更好的结果的，因此我们针对我们的数据集进行优化改进。

在这个项目中，我们的网络需要在10分钟内完成训练。为了获得更好的效果，我们使用了ResNet18[1]网络，ResNet专门设计用于解决深度学习中的梯度消失和梯度爆炸问题。ResNet最初由微软亚洲研究院的Kaiming He等人在2015年提出，并在ImageNet图像识别比赛中取得了非常好的成绩。原始的ResNet网络是用于训练ImageNet[2]数据集，因此我们必须改进原始的网络来适应本次项目的数据集，下面我将详细介绍ResNet18以及我为它来适应我们的数据集所做的全部工作。

基于残差连接的图片分类网络，本网络使用ResNet18作为基础模块，根据cifa10的特点进行改进网络，使用交叉熵损失函数和SGD优化器。本网络在cifa10数据集上不使用预训练参数，经过数据增强，训练30轮达到了85%的分类准确率。