优化 Vivado HLS 代码以减少图像处理算法的延迟

Question

我正在尝试使用 Vivado HLS 为硬件的色域映射过滤器实现图像处理算法。我从卤化物代码创建了一个可合成的版本。但是对于（256x512）的图像来说，它花费了大约 135 秒，这不应该是这种情况。我使用了一些优化技术，例如对最内层循环进行流水线化处理，通过流水线化，我为最内层循环设置了 II=1 的目标（启动间隔），但实现的 II 为 6。从编译器抛出的警告中，我明白了这是因为像 ctrl_pts & weights 这样的权重的访问，从教程中，我已经看到，使用数组分区和数组整形将有助于更快地访问权重。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,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)
{
#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, 0.0), 255.0);
    buff_5.b = fmin(fmax((float)buff_4.b, 0.0), 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II=6，所用时间也只有6秒左右；给定的目标是以毫秒为单位的时间。我尝试为第二个最内层循环进行流水线处理，但是当我这样做时，我的板上的资源已经用完了，因为第三个最内层循环正在展开。我正在使用拥有大量资源的 zynq 超大规模板。任何有关优化代码的建议都将受到高度赞赏。

另外，任何人都可以建议哪种类型的界面最适合 ctrl_pts、weights 和 coefs，为了阅读图像，我了解流式界面有帮助，并且对于读取像行数和列数这样的小值，Axi lite 是首选？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齐头并进？

任何建议都将受到高度赞赏，

提前致谢

编辑：我知道定点表示可以进一步降低延迟，但我的首要目标是获得具有最佳结果的浮点表示，然后使用定点表示分析性能

Answer 1

您可以采取一些步骤来优化您的设计，但请记住，如果您确实需要浮点平方根运算，那很可能会产生巨大的延迟损失（当然，除非经过适当的流水线处理）。

您的代码在第二个内部循环中可能有错字：索引应该是j 对吧？

数据局部性

首先： ctrl_pts 从主内存中多次读取（我假设）。由于它被重复使用了 256x512 次，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分区缓冲区。如果没有，您可以放置​​ARRAY_PARTITION complete dim=0 pragma 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) 分解为在数据流中运行的三个较小的进程，因此并行运行（如果包括设置进程，则 +3）

整个代码看起来像这样（我希望它能正确呈现）：

[Compute buff_1]-->[FIFO1]-->[compute buff_3]-->[FIFO2a]-->[compute buff_4 and buff_5 + stream out]
              L-------------------------------->[FIFO2b]----^

一个棘手的事情是将 buff_1 流式传输到 both 下一个进程。

可能的代码

我不会尝试这段代码，所以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, 0.0), 255.0);
      buff_5.b = fmin(fmax((float)buff_4.b, 0.0), 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率！此外，FIFO 2b 需要考虑该延迟。如果费率不匹配，则会出现死锁。确保拥有一个有意义的测试平台并共同模拟您的设计。 （FIFO的深度可以通过pragma #pragma HLS STREAM variable=fifo_1 depth=N改变）。

最后的思考

在此过程中可能会执行更多更小/更详细的优化，但我会首先从上面的那些开始，因为是最重的。请记住，浮点处理在 FPGA 上并不是最优的（正如您所指出的），通常会被避免。

编辑：我用上面的修改尝试了代码，我已经实现了 II=1 并具有不错的资源使用率。

由于 II 现在是 1，加速器所需的理想周期数是 256x512，而我已经接近：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），提供它们自己的 FIFO。 Process_1 将提供两个分支，而一个附加 进程/循环将交替地从两个 FIFO 中读取 256x512 元素并将它们以正确的顺序提供给 Process_3。通过这种方式，所需的总周期数应该减半，因为 Process_2 是数据流中最慢的进程（因此改进它将改进整个设计）。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。