OpenCL異構(gòu)計算：入門FPGA和TensorFlow神經(jīng)網(wǎng)絡(luò)

●章 緒論
1.1 異構(gòu)計算系統(tǒng)
1.2 OpenCL
1.3 FPGA
1.4 FPGA CPU異構(gòu)計算系統(tǒng)
1.5 HDL和OpenCL
1.5.1 OpenCL的優(yōu)點
1.5.2 OpenCL的缺點
1.6 人工神經(jīng)網(wǎng)絡(luò)
1.6.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
1.6.2 人工神經(jīng)網(wǎng)絡(luò)的基本特征
1.6.3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
習(xí)題1
第2章 TensorFlow基礎(chǔ)知識及運行環(huán)境搭建
2.1 TensorFlow簡介
2.2 TensorFlow兩步編程模式
2.3 TensorFlow兩步編程模式實例
2.3.1 定義計算圖的基本操作
2.3.2 運行計算圖的基本操作
2.4 TensorFlow環(huán)境搭建
2.4.1 
2.4.2 TensorFlow軟件運行
2.4.3 計算圖例程運行實例
習(xí)題2
第3章 TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測試
3.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測試的基本概念
3.1.1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
3.1.2 神經(jīng)網(wǎng)絡(luò)的測試
3.2 基于TensforFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)實現(xiàn)MNIST數(shù)據(jù)集識別
3.2.1 MNSIT數(shù)據(jù)集
3.2.2 Softmax Regression模型
3.2.3 MNIST數(shù)據(jù)識別的Softmax Regression神經(jīng)網(wǎng)絡(luò)模型
3.2.4 MNIST數(shù)據(jù)識別的卷積神經(jīng)網(wǎng)絡(luò)模型
3.3 MNIST數(shù)據(jù)集轉(zhuǎn)換
3.3.1 將數(shù)據(jù)集轉(zhuǎn)換為以txt文件保存的數(shù)據(jù)
3.3.2 將數(shù)據(jù)集轉(zhuǎn)換為以bmp文件保存的圖片
3.3.3 將bmp轉(zhuǎn)換為tfrecords格式
3.4 讀取tfrecords格式數(shù)據(jù)實現(xiàn)MNIST手寫字體識別
3.4.1 Softmax Regression模型
3.4.2 卷積神經(jīng)網(wǎng)絡(luò)模型
習(xí)題3
第4章 OpenCL基礎(chǔ)
4.1 OpenCL標準框架
4.2 OpenCL基本概念基礎(chǔ)
4.3 OpenCL程序的組成部分
4.4 OpenCL框架的4種模型
4.5 編寫個OpenCL程序
4.5.1 kernel程序
4.5.2 host程序
4.6 OpenCL基本知識點
4.6.1 kernel函數(shù)格式
4.6.2 kernel編程模式
4.6.3 kernel地址限定符
4. kernel語句描述
4.6.5 kernel數(shù)據(jù)類型
4.6.6 kernel編程
習(xí)題4
第5章 面向Intel FPGA的OpenCL運行平臺搭建
5.1 搭建OpenCL平臺的軟硬件要求
5.2 面向OpenCL應(yīng)用的DE10_nano開發(fā)板簡介
5.3 平臺所需軟件下載
5.3.1 Quartus Prime Standard下載
5.3.2 Intel FPGA SDK for OpenCL下載
5.3.3 Intel SoC FPGA EDS下載
5.4 平臺所需
5.4.1 安裝Quartus Prime Standard Edition Intel FPGA SDK for OpenCL
5.4.2 安裝SoCEDS
5.4.3 安裝DE10_nano BSP
5.5 環(huán)境變量設(shè)置
5.5.1 環(huán)境變量設(shè)置步驟
5.5.2 環(huán)境變量測試
5.6 編譯OpenCL kernel
5.7 編譯host 程序
5.8 燒寫img文件到SD卡（在Windows系統(tǒng)下完成）
5.9 minicom驅(qū)動安裝與測試
5.9.1 minicom驅(qū)動安裝
5.9.2 minicom 使用測試
5.10 hello world kernel運行測試
5.11 DE10_nano與PC交換數(shù)據(jù)
習(xí)題5
第6章 單層神經(jīng)網(wǎng)絡(luò)算法模型的FPGA實現(xiàn)流程
6.1 基于OpenCL的神經(jīng)網(wǎng)絡(luò)算法設(shè)計與FPGA實現(xiàn)的基本流程
6.2 無隱形層的簡易神經(jīng)網(wǎng)絡(luò)算法原理
6.3 神經(jīng)網(wǎng)絡(luò)的TensorFlow實現(xiàn)及訓(xùn)練
TensorFlow框架下輸入數(shù)據(jù)的轉(zhuǎn)換
6.5 神經(jīng)網(wǎng)絡(luò)算法的OpenCL實現(xiàn)
6.5.1 kernel代碼編寫及編譯
6.5.2 host代碼編寫及編譯
6.6 數(shù)據(jù)移植復(fù)制到FPGA開發(fā)板
6.7 FPGA運行神經(jīng)網(wǎng)絡(luò)
6.8 kernel report.html文件查看
6.8.1 高層設(shè)計報告布局
6.8.2 系統(tǒng)概要
6.8.3 迭代分析
6.8.4 資源分析
6.8.5 系統(tǒng)視圖
6.9 log文件查看FPGA資源使用估計信息
習(xí)題6
第7章 單層神經(jīng)網(wǎng)絡(luò)算法的kernel程序?qū)崿F(xiàn)方式分析比較
7.1 批量讀取輸入數(shù)據(jù)的OpenCL程序
7.1.1 kernel程序
7.1.2 host程序
7.1.3 執(zhí)行結(jié)果
7.2 神經(jīng)網(wǎng)絡(luò)算法的不同kernel代碼實現(xiàn)對比
7.2.1 single work item和NDRange（private）
7.2.2 local和private（single work item）
7.2.3 local和private（NDRange）
7.2.4 single work item和NDRange（local）
7.2.5 float和char（single work item-local）
7.2.6 float和char（NDRange-private）
7.3 神經(jīng)網(wǎng)絡(luò)算法的ARM與FPGA實現(xiàn)方式對比
7.3.1 ARM和FPGA（float數(shù)據(jù)類型）
7.3.2 ARM和FPGA（char數(shù)據(jù)類型）
7.4 host代碼與kernel的對應(yīng)
習(xí)題7
第8章 具有一個隱形層的神經(jīng)網(wǎng)絡(luò)算法模型的OpenCL實現(xiàn)
8.1 一個隱形層的簡易神經(jīng)網(wǎng)絡(luò)算法原理
8.2 具有一個隱形層的神經(jīng)網(wǎng)絡(luò)的TensorFlow實現(xiàn)及訓(xùn)練
8.3 具有一個隱形層的神經(jīng)網(wǎng)絡(luò)算法的OpenCL實現(xiàn)
8.3.1 ARM實現(xiàn)
8.3.2 single work item格式，一個kernel
8.3.3 NDRange格式，一個kernel
8.3.4 single work item格式，kernel
8.3.5 NDRange格式，kernel
8.3.6 single work item格式，