实践课第四期开课提纲

第四期实践课的目标是在Intel FPGA上设计并验证一个用于机器学习的线性回归算法硬件加速器。

通过这一期学习，学员将对线性回归算法有一定了解，对ARM的编程有一定了解，对基于ARM的SoC架构有进一步了解，对算法的硬化有一定了解，对嵌入式系统的工作流程有一定了解。

课程开展将以项目执行的方式进行。学员会分配为不同的项目组，每组有项目经理来负责各组的任务分配和进度把控，并向开课老师汇报进度和遇到的问题。

线性回归算法

当下最热门的人工智能多指机器学习。机器学习中的深度学习充分利用了万物互联带来的大数据和摩尔定律推动的处理能力的提升，利用不同的算法从海量的数据中找到某些规律，然后利用这些规律来代替人类完成很多需要大量人力同时结果确定的工作。

机器学习的主要应用有预测，聚类，分类等。机器学习主要的算法有朴素贝叶斯，逻辑回归，SVM支持向量机， 线性回归最，近邻算法K-NN，决策树等。

其中线性回归算法用来估计不同数据之间的关系。其特点是算法比较容易理解，运算量需求少，广泛应用于不同需要预测的场景，如销售额预测，信用评分等。

本期将以线性回归为例进行。

基于ARM的SoC架构

项目开发在Intel FPGA上进行。FPGA开发板SoC-DE1的主芯片是Cyclon-V，包括双核ARM9和FPGA。通过Qsys软件，我们可以容易地将ARM和FPGA实现的算法加速器通过AHB总线连接起来。

ARM上的程序会生成训练数据和测试数据，同时配置算法加速器，使其可以实现训练或者预测功能。ARM9还负责收集训练结果和测试结果。

ARM和算法加速器的数据交互通过双口存储器实现。

开发流程

线性回归算法的学习将基于Python， Matlab或者C等高级语言，并生成测试数据集。

加速器数据通道验证在ModelSim中进行。测试向量来自前一步。

浓缩的都是精华。希望通过一个小小的项目执行过程， 学员不但可以学到新的知识，还可以学习到项目管理的一些理念。