Lenet 是一系列网络的合称，包括 Lenet1 - Lenet5，由 Yann LeCun 等人在 1990 年《Handwritten Digit Recognition with a Back-Propagation Network》中提出，是卷积神经网络的 HelloWorld。
神经网络部分我是看这位up主学习的。
Lenet是一个 7 层的神经网络，包含 2 个卷积层，2 个池化层，3 个全连接层。其中所有卷积层的所有卷积核都为 5x5，步长 strid=1，池化方法都为全局 pooling，激活函数为 Sigmoid。
使用pytorch实现如下：
对上述网络模型进行训练后,将模型参数进行保存，方便我们之后对参数的读取。
读取模型参数代码如下：
打印出来后，我们可以看到主要的几个参数模块分为：
conv1.weightconv1.biasconv2.weightconv2.biasfc1.weightfc1.biasfc2.weightfc2.biasfc3.weightfc3.bias之后我们便只需要一个一个打印并保存为单独的dat文件即可。
二、参数格式打开我们的conv1_weight.dat文件可以看到，数据被以数个"[ ]"所分隔，如下：
其中最里层的"[ ]"是5x5卷积核参数，"[[ ]]"是3个通道（第一层输入则表示RGB3个通道），"[[[ ]]]"是16个卷积核。
但这种格式不利于我们在HLS中调取，因此需要对数据格式进行单独的调整，在HLS设计中卷积层的权重是由3维数组组成的，因此我们也要将dat数据也改成3维数组可读的形式。首先，我们需要知道3维数组在文件的形式，如下：
所以dat格式如下：
除了第一层卷积与第二层卷积是上述格式外，其余的数据均为如下：
将其保存在同一目录下：由于第一层全连接层参数过多，我将其分成了上下两部分，分开调用
三、HLS设计1）、conv函数设计输入类型的是HLS中的半浮点型half(16位，能较为节省空间，需要更小的话可以使用8位定点数)。
input ： 输入的图像数据（conv1是32x32，conv2是14x14）
weight : 输入权重
in_row : 输入大小（32或14）
out_row : 输出大小 （28或10）
core : 卷积核大小 （5）
3）、pool函数设计这个函数是采用最大值池化
input : 输入数据（28或10）
output : 输出数据 （14或5）
in_row : 输入大小 （28或10）
out_row : 输出大小 （14或5）
4）、激活函数设计sigmoid激活函数
a : 需要激活的数据
size : 输入大小 （28x28等）
5)、端口设计通过axi 总线调用模块，并借助bram来传递数据。
6）、仿真测试7）、HLS设计报告四、Block Design设计需要用到的：SD卡、uart、HLS生成的IP核、两个bram模块以及bram controller（分别控制输入与输出）
如图：
Data address editor :
五、SDK设计（没有读卡器 T_T）所以就模拟一下读卡的场景：将图像数据存入SD卡里成为txt文件，再从SD卡中读取并传到bram0里作为输入数据传输到lenet IP核中，再从bram1中读取结果并打印出来。
其中SD卡的操作部分就不赘述了，不熟悉的可以去看看正点原子的教程，里面讲得很详细。
将数组传入bram0：
初始化lenet IP核以及读取bram1数据并打印：
最终结果如图：
结果与仿真测试一致。
参考文章：
如何从零开始将神经网络移植到FPGA(ZYNQ7020)加速_Jarvis码员的博客-CSDN博客_zynq 神经网络