神經網絡技術起源于上世紀五、六十年代，當時叫感知機，擁有輸入層、輸出層和一個隱含層。輸入的特征向量通過隱含層變換達到輸出層，在輸出層得到分類結果，早期感知機的推動者是Ronsenblatt。后來又發展到多層感知機，而多層感知機在擺脫早期離散傳輸函數的束縛，在訓練算法上使用Werbos發明的反向傳播BP算法，這個就是現在大家常數的神經網絡NN，而目前存在的神經網絡最常見的有：ANN，RNN，以及CNN。CNN是一種多層神經網絡，擅長處理圖像特別是大圖像的相關機器學習問題，它可以通過一系列方法，成功將數據量龐大的圖像識別問題不斷將維，最終使其能夠被訓練。

GUNNESS開源工具

一個叫做GUNNESS的全新的開源工具，可以幫助用戶通過SDSoC 開發環境很輕松的將二值化神經網絡（BNNs）實現在Zynq SoC芯片和Zynq UltraScale+ MPSoC芯片上。GUINNESS基于GUI工具而開發，內部實現利用深度學習框架來訓練一個二值的CNN。關于這部分內容在今年IEEE的國際并行和分布式處理的workshop上有一篇論文對此進行了較為全面的介紹（論文名為“on-chip Memory Based binarized Convolutional Deep Neural Network Applying Batch Normalization Free Technique on an FPGA”），論文中，作者Haruyoshi Yonekawa和Hiroki Nakahara描述了一個他們實現的系統：他們通過在Xilinx ZCU102 Eval 套件上實現一個用于運行VGG-16 benchmark的二值化CNN邏輯系統，其中ZCU102套件其實是基于Zynq UltraScale+ MPSoC芯片而搭建的。在后來比利時 Ghent的FPL2017中作者Nakahara就GUINNESS工具再次進行了介紹。

根據IEEE中發表的這篇paper所述，在Zynq上實現的CNN相比較與在ARM Cortex-A57處理器上運行CNN，運行速度加快了136.8倍，并且功率有效性也提高了44.7倍之多。與在Nvidia Maxwell GPU上運行同樣的CNN相比較，基于Zynq實現的BNN速度加快了4.9倍之多，功耗效率也增長了3.8倍。

不過，對于我們這些游離愛好者來說最值得慶幸的是整個GUINNESS工具可以在Github上access到（https://github.com/HirokiNakahara/GUINNESS）。

圖：Xilinx ZCU102 Zynq UltraScale+ MPSoC Eval Kit

目前的比較火的概念莫過于機器學習，深度學習，人工智能這三方面了，而這些技術的實現都離不開神經網絡的訓練，可以說當前技術的熱點非神經網絡莫屬。但是神經網絡算法往往較為復雜，軟件實現速度往往無法達到需求，專用芯片設計又功能單一且成本高，而通過FPGA實現的話，不僅避免的單用途高成本的投入，同時得到了用戶期望的運算速度，一舉兩得。也相信在以后FPGA將會為神經網絡的研究實現方面有更大的發揮空間。