将深度神经网络算法部署到现实场景（基于FPGA），主要包含两部分的工作，一个是为场景找到合适的算法，训练出满足要求的模型；第2个是将模型定点化后部署在FPGA上运行，主要含以下步骤：

  1. 准备工作：数据收集及TFrecord制作，数据预处理函数编写。

        练习时从kaggle网站上获取带标注数据集；

        制作训练与验证用的Tfrecord数据文件；

        图像增强、剪裁、pad、标准化等预处理；

        训练及验证用的mini-batch数据生成（随机、多线程）

    2. 基于Tensorflow框架下VGG13，InceptionV3，Resnet50网络改写及适配，适配到本地数据集的类别数。在本地数据集上训练，精度达到要求。

    3. 网络模型压缩

        Xilinx公司提供了Decent_Q工具进行模型压缩及定点，但官方只提供定点功能，带剪枝功能的模型压缩工具估计要另外收           费。后面个人想自己开发一个工具替代该功能。通过网络结构及参数，将权重较小的或者值比较相近的kernel去掉，重新构         建更稀疏的网络，保存新的网络和权重，重新导入数据，做微调重新训练，生成新的Pb，给xilinx的decent_Q做定点。

    4. FPGA上的部署：

        固化后的模型及参数保存，使用pb文件格式；

       FPGA上DPU集成；

       利用DNNDK工具生成DPU的运行指令；

       Petalinux系统制作及DPU后端C程序开发。

       不过如果不是卷积网络，就无法利用xilinx的这套工具链。

       自己开发部署工具链一般包含：

       硬件：硬件加速器的开发，针对算法开发算子、调度单元、通信模块。

       定点工具及编译器：模型定点化，以及网络模型、权重翻译成指令及权重数据。

       Runtime：运行时配合的驱动以及数据预处理、后处理代码。

     另外，mxnet、keras、pytorch这些开发框架下开发的模型，可以转化成pb格式，这样可以适配采用不同框架开发算法的人员。