$ export XLNX_VART_FIRMWARE=/media/sd-mmcblk1p1/dpu.xclbin
$ xdputil query

注意：編輯arch.json文件并手動更新指紋參數，以防您更改 DPU 構建配置（dpu_conf.vh 文件）

構建和訓練 AI 模型

我們將構建的 AI 模型使用TensorFlow框架。我們使用Google Colab服務來訓練模型，因為我們可以免費使用他們非常強大的顯卡進行計算，但僅限于有限的時間（幾個小時）。

在 Colab 斷開您與他們的服務之間的連接之前，請務必將您訓練的模型下載并保存到您的計算機上。您可以在第二天重復整個過程，任意多次，但每次都必須從頭開始。

• 打開您的網絡瀏覽器（推薦使用 Google Chrome 或 Firefox）并打開Google Colab網頁。
• 將第一個腳本rf_classification-Colab.ipynb上傳到 Colab（文件 > 上傳筆記本）。如果您還沒有登錄，您應該使用您的 Google 帳戶登錄。
• 展開窗口左側的文件圖標，這樣您就可以在那里看到一些新創建的文件 (sample_data)。

?

• 將 Runtime 設置為 GPU：Runtime > Change Runtime type > GPU并保存，如果可用，否則使用 CPU，但訓練時間會更長。
• 啟動腳本：Runtime > Run all并等待大約半小時。

剛剛發生了什么？

• 該腳本首先從我的 Google Drive 下載縮減的數據集。您可以更改 Cell #2 (!wget...) 中的路徑以使用您自己的數據集。您應該會看到一個新文件reduce_rf_dataset_XYZ.hdf5出現在左側。
• 經過一些數據處理和準備后，模型將被訓練，您可以在檢查點文件夾中看到一些保存的檢查點狀態。

?

• 腳本完成后，您會注意到另一個新文件：保存的最佳訓練模型，名為rf-model-best.h5 。

訓練模型位置

?

• 將經過訓練的模型rf-model-best.h5 下載到您的計算機，然后 Colab 會因不活動而斷開您與服務的連接。
• 訓練后的模型也可以在GitHub存儲庫中找到（使用不同的名稱）：rfClassification_fp_model.h5
• 探索結果。這是一個混淆矩陣，我們僅使用數據集中 6% 的樣本得到了 10 個 epoch 的訓練。

?

• 不完美，但足以作為在真實 FPGA 上測試模型的起點。
• 隨意使用來自數據集的更多數據樣本或更長的訓練時間（epochs）再次重復整個過程，甚至可以根據需要改進模型以獲得更準確的結果。
• 但是，請記?。耗刻焓褂?Google Colab 的時間是有限的（大概 2 小時左右）。因此，每次下載模型后都要關閉會話（連接 > 管理會話 > 終止）。

在 Vitis-AI 上編譯模型

現在，由于我們有一個名為rf-model-best.h5的浮點模型，我們需要對其進行量化、校準和編譯，以便在真實 FPGA 的 DPU 單元上使用它。

此過程的詳細信息超出了本教程的范圍。隨意地：

• 探索提供的腳本rf_classification-Vitis-AI.ipynb
• 閱讀Vitis-AI的官方 GitHub 頁面。

以下是主要步驟：

• 如果您還沒有 Docker，請在您的主機上安裝Docker 。
• 使用以下命令下載最新的 Vitis AI Docker 映像：

docker pull xilinx/vitis-ai-cpu:latest

• 將Vitis-AI GitHub 存儲庫克隆到您的主機。

git clone --recurse-submodules https://github.com/Xilinx/Vitis-AI

• 將先前克隆的rf_classification-Vitis-AI.ipynb腳本復制到 Vitis-AI 存儲庫以及上一節中訓練好的模型rf-model-best.h5 。您可以創建一個新的my_model目錄和一個子目錄fp_model來復制您的訓練模型。
• 還將arch_b1152.json文件復制到同一目錄，除非您也更新 Jupyter 腳本，否則不要更改文件名。

$ cd Vitis-AI
$ mkdir -p my_model/fp_model
$ cp ~/test-dpu/jupyter/rf_classification-Vitis-AI.ipynb my_model
$ cp ~/Downloads/rf-model-best.h5 my_model/fp_model
$ cp ~/test-dpu/models/arch_b1152.json my_model
$ cd my_model

$ ls
arch_b1152.json  fp_model  rf_classification-Vitis-AI.ipynb

• 使用 bash 腳本從my_model目錄啟動 Docker 映像。

$ ../docker_run.sh xilinx/vitis-ai

• 當 Docker 啟動時，通過執行conda activate命令切換到 TensorFlow2。

?

• 通過運行以下命令（在 Docker 內部）啟動Jupyter Notebook ：

$ jupyter notebook --no-browser --ip=0.0.0.0 --NotebookApp.token='' --NotebookApp.password=''

• 現在，打開主機上的 Web 瀏覽器并打開名為http://localhost:8888/的網頁

?

• 點擊之前復制的腳本rf_classification-Vitis-AI.ipynb

?

• 運行腳本：Kernel > Restart & Run All并等待幾分鐘得到編譯好的模型。
• 注意：校準所需的縮減數據集(1.2 GB) 將從我的 Google Drive 下載到您的計算機。您可以修改腳本并使用自己的數據集進行校準。
• 然后，將創建一個新的量化模型，該模型由先前下載的校準數據集進行優化。它位于quantize_results/quantized_model.h5目錄中。
• 最后，將創建一個新目錄vai_c_output 。
• 里面是我們的rfClassification.xmodel文件，準備上傳到我們的目標板。

在目標板上測試模型

現在，我們準備在真實硬件上測試模型。

• 將SD 卡上的原始rfClassification.xmodel文件復制或替換為新文件。它位于 test-dpu/models 目錄的引導分區中。

$ pwd
/media/sd-mmcblk1p1/test-dpu/models

• 如果您更改模型的名稱，您還應該更新測試腳本以及 RF Claasification GNU Radio 模塊。否則，只需將原始文件替換為新文件即可。
• 從第 3 部分運行準確性測試：

$ pwd
/media/sd-mmcblk1p1/test-dpu

$ ./run_test_accuracy.sh

Number of RF Samples Tested is  998
Batch Size is  1
Top1 accuracy =  0.53

最后...

再次在 GNU Radio 上啟動RF 調制分類應用程序。

$ pwd
/media/sd-mmcblk1p1/test-dpu

$ ./run_rf_classification.sh

這個項目的最終結果

?

就這樣 ！

如果您成功通過所有四個部分來到這里，恭喜！

隨時在此博客上發表評論。