Numpy基础

Numpy 是 Python 的一个科学计算包，包含了多维数组以及多维数组的操作

关于Numpy需要知道的几点：

• NumPy 数组在创建时有固定的大小，不同于Python列表（可以动态增长）。更改ndarray的大小将创建一个新的数组并删除原始数据。

• NumPy 数组中的元素都需要具有相同的数据类型，因此在存储器中将具有相同的大小。数组的元素如果也是数组（可以是 Python 的原生 array，也可以是 ndarray）的情况下，则构成了多维数组。

• NumPy 数组便于对大量数据进行高级数学和其他类型的操作。通常，这样的操作比使用Python的内置序列可能更有效和更少的代码执行。

Python基础知识

数据类型

计算机顾名思义就是可以做数学计算的机器，因此，计算机程序理所当然地可以处理各种数值。但是，计算机能处理的远不止数值，还可以处理文本、图形、音频、视频、网页等各种各样的数据，不同的数据，需要定义不同的数据类型。在Python中，能够直接处理的数据类型有以下几种：

• 整数

Python可以处理任意大小的整数，当然包括负整数，在程序中的表示方法和数学上的写法一模一样，例如：1，100，-8080，0，等等。

计算机由于使用二进制，所以，有时候用十六进制表示整数比较方便，十六进制用0x前缀和0-9，a-f表示，例如：0xff00，0xa5b4c3d2，等等。

• 浮点数

浮点数也就是小数，之所以称为浮点数，是因为按照科学记数法表示时，一个浮点数的小数点位置是可变的，比如，$1.23 \times 10^9$和$12.3 \times 10^8$是完全相等的。浮点数可以用数学写法，如1.23，3.14，-9.01，等等。但是对于很大或很小的浮点数，就必须用科学计数法表示，把10用e替代，$1.23 \times 10^9$就是$1.23\times e^9$，或者$12.3\times e^8$，0.000012可以写成$1.2\times e^{-5}$，等等。

整数和浮点数在计算机内部存储的方式是不同的，整数运算永远是精确的（除法难道也是精确的？是的！），而浮点数运算则可能会有四舍五入的误差。

• 字符串

字符串是以单引号’或双引号”括起来的任意文本，比如’abc’，”xyz”等等。请注意，’’或””本身只是一种表示方式，不是字符串的一部分，因此，字符串’abc’只有a，b，c这3个字符。如果’本身也是一个字符，那就可以用””括起来，比如”I’m OK”包含的字符是I，’，m，空格，O，K这6个字符。

dataflow可谓是FPGA性能体现的绝佳表现方式，数据在硬件中能流动起来，靠的就是dataflow!
下面我们将探究SDAccel OpenCL开发方式下两种dataflow的实现方式：pipe传输方式与function传输方式。
以及SDAccel HLS 开发方式下两种dataflow的编程风格：loop 与 stream
SDAccel Dataflow 那点事儿（一）
SDAccel Dataflow 那点事儿（二）
SDAccel Dataflow 那点事儿（三）
SDAccel Dataflow 那点事儿（四）

dataflow pipe 方式简介

对于OpenCL来说，Dataflow的对象除了function的方式之外，还有Kernel的方式，因此，Dataflow在OpenCL中还有一种在Kernel与Kernel之间的传输方式,也就是通过pipe传输。pipe的传输机制采用的其实是FIFO的方式，因此在使用pipe传输的过程中需要设置FIFO的深度，也就是在传输过程中有多少的缓存深度。

dataflow可谓是FPGA性能体现的绝佳表现方式，数据在硬件中能流动起来，靠的就是dataflow!
下面我们将探究SDAccel OpenCL开发方式下两种dataflow的实现方式：pipe传输方式与function传输方式。
以及SDAccel HLS 开发方式下两种dataflow的编程风格：loop 与 stream
SDAccel Dataflow 那点事（一）
SDAccel Dataflow 那点事（二）
SDAccel Dataflow 那点事（三）
SDAccel Dataflow 那点事（四）

dataflow function 方式简介

下图是Dataflow优化的示意图。在不做Dataflow之前，func_C的输入需要依赖func_A和func_B的计算处理，8个时钟周期才能完成一次fun_C的计算结果输出。在做完Dataflow之后，func_A和func_C的启动间隔加快，使得5个周期就可以完成一次func_C的计算结果输出。从理论上上来说，Dataflow也属于更高层次上的一种Pipeline。

从一个矩阵乘法的例子一步一步进行功能设计与性能优化。
SDAccel矩阵乘法优化（一）
SDAccel矩阵乘法优化（二）
SDAccel矩阵乘法优化（三）
SDAccel矩阵乘法优化（四）

mmult实现及优化步骤

从一个矩阵乘法的例子一步一步进行功能设计与性能优化。
SDAccel矩阵乘法优化（一）
SDAccel矩阵乘法优化（二）
SDAccel矩阵乘法优化（三）
SDAccel矩阵乘法优化（四）

mmult实现及优化步骤

从一个矩阵乘法的例子一步一步进行功能设计与性能优化。
SDAccel矩阵乘法优化（一）
SDAccel矩阵乘法优化（二）
SDAccel矩阵乘法优化（三）
SDAccel矩阵乘法优化（四）

mmult实现及优化步骤

从一个矩阵乘法的例子一步一步进行功能设计与性能优化。
SDAccel矩阵乘法优化（一）
SDAccel矩阵乘法优化（二）
SDAccel矩阵乘法优化（三）
SDAccel矩阵乘法优化（四）

mmult实现及优化步骤

方案一

• 方案一 源码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

#define J_CNT       2
#define I_CNT       4
#define BUFFER_SIZE I_CNT*J_CNT

kernel __attribute__((reqd_work_group_size(1, 1, 1)))
void vector_add(__global int* c,
               __global const int* a,
               __global const int* b,
               const int n_elements)

{
   local int arrayA[BUFFER_SIZE];
   local int arrayB[BUFFER_SIZE];
   local int arrayC[BUFFER_SIZE];

   __attribute__((xcl_pipeline_loop))
loop_1:
   for(int i = 0; i < I_CNT; i++) {
       //__attribute__((xcl_pipeline_loop))
       loop_2:
       for(int j = 0; j < J_CNT; j++) {
           arrayA[i * J_CNT + j] = a[i * J_CNT + j];
           arrayB[i * J_CNT + j] = b[i * J_CNT + j];
           c[i * J_CNT + j] = arrayA[i * J_CNT + j]+arrayB[i * J_CNT + j];
       }
   }
}