如何解决优化 Vivado HLS 代码以减少图像处理算法的延迟
我正在尝试使用 Vivado HLS 为硬件实现色域映射过滤器的图像处理算法。我已经从 Halide 代码创建了一个可合成的版本。但是对于 (256x512) 的图像来说,它花费的时间太长了,大约需要 135 秒,这不应该是这种情况。我使用了一些优化技术,例如流水线最内层循环,通过流水线,我为最内层循环设置了 II=1 的目标(启动间隔),但实现的 II 是 6。从编译器抛出的警告中,我明白了这是因为访问了像 ctrl_pts & weights 这样的权重,从教程中,我看到,使用数组分区和数组整形将有助于更快地访问重量。我在下面分享了我用来合成的代码:
//header
include "hls_stream.h"
#include <ap_fixed.h>
//#include <ap_int.h>
#include "ap_int.h"
typedef ap_ufixed<24,24> bit_24;
typedef ap_fixed<11,8> fix;
typedef unsigned char uc;
typedef ap_uint<24> stream_width;
//typedef hls::stream<uc> Stream_t;
typedef hls::stream<stream_width> Stream_t;
struct pixel_f
{
float r;
float g;
float b;
};
struct pixel_8
{
uc r;
uc g;
uc b;
};
void gamut_transform(int rows,int cols,Stream_t& in,Stream_t& out,float ctrl_pts[3702][3],float weights[3702][3],float coefs[4][3],float num_ctrl_pts);
//core
//include the header
#include "gamut_header.h"
#include "hls_math.h"
void gamut_transform(int rows,float num_ctrl_pts)
{
#pragma HLS INTERFACE axis port=in
#pragma HLS INTERFACE axis port=out
//#pragma HLS INTERFACE fifo port=out
#pragma HLS dataflow
pixel_8 input;
pixel_8 new_pix;
bit_24 temp_in,temp_out;
pixel_f buff_1,buff_2,buff_3,buff_4,buff_5;
float dist;
for (int i = 0; i < 256; i++)
{
for (int j = 0; i < 512; i++)
{
temp_in = in.read();
input.r = (temp_in & 0xFF0000)>>16;
input.g = (temp_in & 0x00FF00)>>8;
input.b = (temp_in & 0x0000FF);
buff_1.r = ((float)input.r)/256.0;
buff_1.g = ((float)input.g)/256.0;
buff_1.b = ((float)input.b)/256.0;
for(int idx =0; idx < 3702; idx++)
{
buff_2.r = buff_1.r - ctrl_pts[idx][0];
buff_2.g = buff_1.g - ctrl_pts[idx][1];
buff_2.b = buff_1.b - ctrl_pts[idx][2];
dist = sqrt((buff_2.r*buff_2.r)+(buff_2.g*buff_2.g)+(buff_2.b*buff_2.b));
buff_3.r = buff_2.r + (weights[idx][0] * dist);
buff_3.g = buff_2.g + (weights[idx][1] * dist);
buff_3.b = buff_2.b + (weights[idx][2] * dist);
}
buff_4.r = buff_3.r + coefs[0][0] + buff_1.r* coefs[1][0] + buff_1.g * coefs[2][0] + buff_1.b* coefs[3][0];
buff_4.g = buff_3.g + coefs[0][1] + buff_1.r* coefs[1][1] + buff_1.g * coefs[2][1] + buff_1.b* coefs[3][1];
buff_4.b = buff_3.b + coefs[0][2] + buff_1.r* coefs[1][2] + buff_1.g * coefs[2][2] + buff_1.b* coefs[3][2];
buff_5.r = fmin(fmax((float)buff_4.r,0.0),255.0);
buff_5.g = fmin(fmax((float)buff_4.g,255.0);
buff_5.b = fmin(fmax((float)buff_4.b,255.0);
new_pix.r = (uc)buff_4.r;
new_pix.g = (uc)buff_4.g;
new_pix.b = (uc)buff_4.b;
temp_out = ((uc)new_pix.r << 16 | (uc)new_pix.g << 8 | (uc)new_pix.b);
out<<temp_out;
}
}
}
即使达到了 II=6,花费的时间也只有 6 秒左右;给定的目标是以毫秒为单位的时间。我试图为第二个最内层循环进行流水线操作,但是当我这样做时,我的板上资源用完了,因为第三个最内层循环正在展开。我正在使用 zynq 超大规模板,它具有相当数量的资源。任何关于优化代码的建议将不胜感激。
此外,任何人都可以建议哪种类型的界面最适合ctrl_pts、weights和coefs,对于阅读图像,我知道流媒体界面有帮助,并且对于读取像行数和列数这样的小值,首选 Axi lite?是否有一种接口可以用于上述变量,以便它可以与数组分区和数组整形一起使用?
任何建议将不胜感激,
提前致谢
编辑:我知道定点表示可以进一步降低延迟,但我的第一个目标是获得最佳结果的浮点表示,然后使用定点表示分析性能
解决方法
您可以采取一些步骤来优化您的设计,但请记住,如果您确实需要一个浮动平方根运算,那么这很可能会导致巨大的延迟损失(当然,除非经过适当的流水线处理)。
>您的代码在第二个内循环中可能有错别字:索引应该是 j
对吗?
数据局部性
首先: ctrl_pts 从主内存中读取多次(我假设)。由于重复使用了 256x512 次,因此最好将其存储到 FPGA 上的本地缓冲区中(类似于 BRAM,但可以推断),如下所示:
for(int i =0; i < 3702; i++) {
for (int j = 0; j < 3; ++j) {
#pragma HLS PIPELINE II=1
ctrl_pts_local[i][j] = ctrl_pts[i][j];
}
}
for (int i = 0; i < 256; i++) {
for (int j = 0; i < 512; i++) {
// ...
buff_2.r = buff_1.r - ctrl_pts_local[idx][0];
// ...
coefs
和 weights
的推理相同,只需在运行其余代码之前将它们存储在局部变量中即可。
要访问参数,您可以使用主 AXI4 接口 m_axi
并对其进行相应配置。一旦算法处理了本地缓冲区,HLS 应该能够相应地自动对缓冲区进行分区。如果没有,您可以放置 ARRAY_PARTITION complete dim=0
编译指示来强制它。
数据流
由于您的算法的工作方式,您可以尝试的另一件事是将主循环 (256x512) 分解为三个在数据流中运行的较小进程,因此并行运行(如果包括设置程序,则为 +3)>
整个代码看起来像这样(我希望它能够正确呈现):
[Compute buff_1]-->[FIFO1]-->[compute buff_3]-->[FIFO2a]-->[compute buff_4 and buff_5 + stream out]
L-------------------------------->[FIFO2b]----^
一件棘手的事情是将 buff_1 流式传输到两个下一个进程。
可能的代码
我不会尝试这段代码,所以一路上可能会出现编译错误,但整个加速器代码看起来像这样:
for(int i =0; i < 3702; i++) {
for (int j = 0; j < 3; ++j) {
#pragma HLS PIPELINE II=1
ctrl_pts_local[i][j] = ctrl_pts[i][j];
weights_local[i][j] = weights[i][j];
}
}
for(int i =0; i < 4; i++) {
for (int j = 0; j < 3; ++j) {
#pragma HLS PIPELINE II=1
coefs_local[i][j] = coefs[i][j];
}
}
Process_1:
for (int i = 0; i < 256; i++) {
for (int j = 0; i < 512; i++) {
#pragma HLS PIPELINE II=1
temp_in = in.read();
input.r = (temp_in & 0xFF0000)>>16;
input.g = (temp_in & 0x00FF00)>>8;
input.b = (temp_in & 0x0000FF);
buff_1.r = ((float)input.r)/256.0;
buff_1.g = ((float)input.g)/256.0;
buff_1.b = ((float)input.b)/256.0;
fifo_1.write(buff_1); // <--- WRITE TO FIFOs
fifo_2b.write(buff_1);
}
}
Process_2:
for (int i = 0; i < 256; i++) {
for (int j = 0; i < 512; i++) {
for(int idx =0; idx < 3702; idx++) {
#pragma HLS LOOP_FLATTEN // <-- It shouldn't be necessary,since the if statements already help
#pragma HLS PIPELINE II=1 // <-- The PIPELINE directive can go here
if (idx == 0) {
buff_1 = fifo_1.read(); // <--- READ FROM FIFO
}
buff_2.r = buff_1.r - ctrl_pts_local[idx][0];
buff_2.g = buff_1.g - ctrl_pts_local[idx][1];
buff_2.b = buff_1.b - ctrl_pts_local[idx][2];
dist = sqrt((buff_2.r*buff_2.r)+(buff_2.g*buff_2.g)+(buff_2.b*buff_2.b));
buff_3.r = buff_2.r + (weights_local[idx][0] * dist);
buff_3.g = buff_2.g + (weights_local[idx][1] * dist);
buff_3.b = buff_2.b + (weights_local[idx][2] * dist);
if (idx == 3702 - 1) {
fifo_2a.write(buff_3); // <-- WRITE TO FIFO
}
}
}
}
Process_3:
for (int i = 0; i < 256; i++) {
for (int j = 0; i < 512; i++) {
#pragma HLS PIPELINE II=1
buff_3 = fifo_2a.read(); // <--- READ FROM FIFO
buff_1 = fifo_2b.read(); // <--- READ FROM FIFO
buff_4.r = buff_3.r + coefs_local[0][0] + buff_1.r* coefs_local[1][0] + buff_1.g * coefs_local[2][0] + buff_1.b* coefs[3][0];
buff_4.g = buff_3.g + coefs_local[0][1] + buff_1.r* coefs_local[1][1] + buff_1.g * coefs_local[2][1] + buff_1.b* coefs_local[3][1];
buff_4.b = buff_3.b + coefs_local[0][2] + buff_1.r* coefs_local[1][2] + buff_1.g * coefs_local[2][2] + buff_1.b* coefs_local[3][2];
buff_5.r = fmin(fmax((float)buff_4.r,0.0),255.0);
buff_5.g = fmin(fmax((float)buff_4.g,255.0);
buff_5.b = fmin(fmax((float)buff_4.b,255.0);
new_pix.r = (uc)buff_4.r;
new_pix.g = (uc)buff_4.g;
new_pix.b = (uc)buff_4.b;
temp_out = ((uc)new_pix.r << 16 | (uc)new_pix.g << 8 | (uc)new_pix.b);
out<<temp_out;
}
}
在调整 FIFO 的深度时要格外小心,因为进程 2(具有 sqrt
操作的进程)可能具有较慢的数据消耗和生产速率!此外,FIFO 2b 需要考虑该延迟。如果速率不匹配,就会出现僵局。确保有一个有意义的测试平台并协同仿真您的设计。
(FIFO 的深度可以通过编译指示 #pragma HLS STREAM variable=fifo_1 depth=N
更改)。
最后的想法
在此过程中可能还有更多更小/更详细的优化可以执行,但我会首先从上面的优化开始,这是最重要的。请记住,浮点处理在 FPGA 上不是最佳的(如您所述),通常会避免使用。
编辑:我尝试了上述修改后的代码,并且我已经实现了 II=1,并且资源使用不错。
由于 II 现在是 1,因此加速器所需的理想循环数是 256x512,我接近这个数:理想的 402,653,184 与我的 485,228,587)。我现在必须向您提出的一个疯狂想法是将 Process_2 最内层循环拆分为两个并行分支(实际上甚至超过 2 个),为它们自己的 FIFO 提供数据。 Process_1 将提供两个分支,而附加进程/循环将交替地从两个 FIFO 中读取 256x512 元素,并以正确的顺序将它们提供给 Process_3。这样,所需的周期总数应该减半,因为 Process_2 是数据流中最慢的过程(因此改进它会改进整个设计)。这种方法的一个可能缺点是 FPGA 需要更多的面积/资源。
祝你好运。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。