finn

<img src=https://raw.githubusercontent.com/Xilinx/finn/github-pages/docs/img/finn-logo.png width=128/> 在FPGA上实现快速、可扩展的量化神经网络推理

FINN 是 AMD 研究与高级开发集成通信和人工智能实验室的一个实验框架，旨在探索 FPGA 上的深度神经网络推理。它专门针对<a href="https://github.com/maltanar/qnn-inference-examples" target="_blank">量化神经网络</a>，重点是为每个网络生成定制的数据流架构。生成的 FPGA 加速器效率极高，可以实现高吞吐量和低延迟。该框架完全开源，以提供更高的灵活性，旨在实现跨越软件/硬件抽象栈多个层面的神经网络研究。

我们有一个单独的仓库 finn-examples，其中包含多个神经网络的预构建示例。欲了解有关 FINN 的更多一般信息，请访问项目页面并查看出版物。

入门

请查看入门页面，了解有关要求、安装以及如何以不同模式运行 FINN 的更多信息。由于项目依赖关系的复杂性，我们目前仅支持基于 Docker 的 FINN 编译器执行。

FINN 有哪些新特性？

请在 GitHub 讨论公告中查看所有新闻。

文档

您可以在 readthedocs 上查看文档。此外，还有一系列 Jupyter 笔记本教程，我们建议从 Docker 内部运行以获得更好的体验。

社区

我们有 GitHub 讨论，您可以在那里提问。您可以使用 GitHub 问题跟踪器报告错误，但请不要提交问题来提问，因为这在 GitHub 讨论中处理得更好。

我们也热烈欢迎对项目的贡献，请查看贡献指南和未解决问题列表。请随时通过 GitHub 讨论联系我们，讨论您的想法。

过去，我们还有一个 Gitter 频道。请注意，我们不再维护该频道，但仍可用于搜索以前用户提出的问题。

引用

该框架的当前实现基于以下出版物。如果您觉得 FINN 有用，请考虑引用它们。

@article{blott2018finn,
  title={FINN-R: An end-to-end deep-learning framework for fast exploration of quantized neural networks},
  author={Blott, Michaela and Preu{\ss}er, Thomas B and Fraser, Nicholas J and Gambardella, Giulio and O'brien, Kenneth and Umuroglu, Yaman and Leeser, Miriam and Vissers, Kees},
  journal={ACM Transactions on Reconfigurable Technology and Systems (TRETS)},
  volume={11},
  number={3},
  pages={1--23},
  year={2018},
  publisher={ACM New York, NY, USA}
}

@inproceedings{finn,
author = {Umuroglu, Yaman and Fraser, Nicholas J. and Gambardella, Giulio and Blott, Michaela and Leong, Philip and Jahre, Magnus and Vissers, Kees},
title = {FINN: A Framework for Fast, Scalable Binarized Neural Network Inference},
booktitle = {Proceedings of the 2017 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays},
series = {FPGA '17},
year = {2017},
pages = {65--74},
publisher = {ACM}
}