HLS：矩阵乘法单元设计与SDK测试

一、引言

矩阵乘法，涉及数组优化、循环优化和接口优化等。是一个学习HLS非常好的Lab。

HLS新建工程这些就不记录了，在新建时有个需要注意，就是Clock Period的设置，如果设为10，会按照100MHz时钟来进行优化，如果一次运算15ms，就会分配到两个时钟来计算。但HLS工具预估是比较保守的，比如预估一次运算15ms，但实际上板卡后这个运算，就只要7ms。因此可以把周期稍微放大些/减轻约束压力，让HLS在做优化时，能放在一个周期内完成，但如果达不到约定的时钟频率，是可以进行更改的。在新建后的工程右键Project Settings，来进行更改。

二、程序框架

有Source、Include源代码和Test Beach目录。

用于实现矩阵乘法功能的代码，放在Source目录下。用于测试矩阵乘法功能的代码，放在Test Beach目录下。

新建文件：matrix_mul.cpp、matrix_mul.h和main.cpp。

在matrix_mul.h文件中，使用#ifdef 宏的方式，来避免重复声明某些内容。

三、初步设计

还未进行优化前的基本功能设计。

1、matrix_mul.h文件
任意精度定点数：在传统C中，char、int、short、long等的位宽都是固定的，8位、32位、16位和64位。如果电路中要求10位宽的数据，则常规变量无法实现，HLS为了能满足需求，搞了一种ap_int<>类型的数据变量，<>内放的是该类型变量的位宽，可以认为ap_int<8> A与char B，是两种类型相同的变量。

#ifndef __MATRIX_MUL__
#define __MATRIX_MUL__// HLS提供的任意精度定点数文件
#include "ap_fixed.h"// A元素对应行，与B元素对应列，进行相乘得到C
void matrix_mul(ap_int<8> A[4][4], ap_int<8> B[4][4], ap_int<16> C[4][4]);#endif

2、matrix_mul.cpp文件

#include "matrix_mul.h"void matrix_mul(ap_int<8> A[4][4], ap_int<8> B[4][4], ap_int<16> C[4][4]){for(int i=0;i<4;i++)for(int j=0;j<4;j++){C[i][j]=0;// 循环乘四次，并进行相加for(int k=0;k<4;k++){C[i][j]=C[i][j]+A[i][k]*B[k][j];}}
}

3、main.cpp文件

#include "matrix_mul.h"
#include <iostream>int main(){ap_int<8>  A[4][4];ap_int<8>  B[4][4];ap_int<16> C[4][4];// 初始化赋值0、1、2、3、4、5...for(int i=0;i<4;i++)for(int j=0;j<4;j++){A[i][j]=i*4+j;B[i][j]=A[i][j];}matrix_mul(A, B, C);for(int i=0;i<4;i++){for(int j=0;j<4;j++)std::cout<<"C["<<i<<","<<j<<"]="<<C[i][j]<<std::endl;}return 0;
}

代码写完，第一步要跑C Simulation，用快捷键Ctrl + B，就可以进行编译了。生成exe文件，就证明没有语法错误。然后，在菜单栏里，有一个Run C Simulation，点后进行C仿真，来看结果是否正确。是纯C语言的仿真。

第二步进行综合，点菜单栏的Run C Synthesis。可能会出现下面这个“The function must be specified”错误，原因是可能有很多C函数，但哪个是顶层，需要确定下。在工程中右键Project Settings，选择Synthesis选项卡，将Top Function设置为matrix_mul，就可以跑综合了。

四、报告分析

综合完，会生成Synthesis的报告文件，下边对该文件的几个关键参数进行分析。

1、Performance Estimates，性能估计。
1°Timing：包含clock，时钟约束。
2°Latency：在Summary中，包含了Latency与Interval，初步设计中，Latency为169，表示这个矩阵乘法的函数模块，需要耗时169个时钟周期。Interval是这次矩阵乘法与下一次，需要间隔多少周期，由于没有进行流水线的设计，这里需要间隔169个时钟周期，才能进行下一个的矩阵运算，因此Interval等于169。在Detail中，有循环内部的一些细节，可以看到每个循环需要的一些周期数，有些循环可能需要状态跳转，会消耗一部分的时钟周期。后续优化，主要也是照着Latency来进行优化。

2、Utilization Estimates，资源利用率估计。
一些资源使用的情况。

3、Interface，端口情况。
模块的参数就是端口，可以通过参数来生成不同的接口，不设置为缺省，默认是存储器里的数据。还有一些信号，ap开头，为控制信号。

五、优化操作

初步设计中，完全没有利用到FPGA的并行性，现考虑一些优化操作，来提高性能。

1、行列相乘部分
行列相乘后相加的代码，我们希望只用一个周期就计算出来。两个方法，1是利用参数循环展开，2是告诉编译器，这部分编译时，需要1个周期来完成，这样也会自动展开。

     C[i][j]=0;for(int k=0;k<4;k++){C[i][j]=C[i][j]+A[i][k]*B[k][j];}

手动循环展开。在功能模块界面，右边有一个Directive，里边有一个for Statement，点开有三个循环，选中最里边那个子循环，右键Insert Directive，打开Vivado HLS Directive Editor这个界面。选择UNROLL，还有Source File和Directive File的选项，Source File是将参数放在C源代码文件中，Directive File是把参数单独放在一个源代码文件中，一般选择Source File就行了。

Note：本来这方式在这里是可以的，但有个C[i][j]=0。如果循环展开的话，这个赋值操作，也会占用一个周期。因此，干脆直接将第二级子循环的Iteration Latency（某个循环消耗的Latency）设置为1，就可以实现上述代码一个周期的目的，如何实现呢？
在右边Directive选中第二级循环，右键Insert Directive，打开Vivado HLS Directive Editor后，选择PIPELINE，将里边的II，就是Iteration Latency，设置为1。操作完，会出现#pragma HLS PIPELINE II=1的命令。该操作可强制让每个运算在一个周期内完成，共16个运算，也就是只需要16个周期。

2、数组部分PARTITION

单、双口存储器的限制，存储器读写冲突，会出现下图那个错误，导致没法一次读取出4个数据，进行行列相乘。如果把数组A的存储器竖着（二维）切成四个，就可以一次读出四个数据。同理，数组B的存储器横着（一维）切成四个，也可以实现一次读出四个数据。不知道这个原因时，可以先进行仿真，来找到问题的关键。

使用#pragma HLS ARRAY_PARTITION variable=A complete dim=2来完成切割。

3、数组部分RESHAPE
将原来深度为16，位宽为8的存储器，变成深度为4，位宽为32的存储器。A数组按二维堆起来，B数组按一维堆起来。
使用#pragma HLS ARRAY_RESHAPE variable=A complete dim=2来完成组合。

PARTITION一次可以读相同或不同的四个数据地址，但RESHAPE一次读的四个数据，是同一个地址的。通过实验波形，可以更加深入区分这两种操作。all是导出所有信号的波形。

至少消耗的时钟周期为16*interval+latency，除此外还有写状态转换的消耗。interval可以被约束为1，那latency呢？latency也可以由#pragma HLS LATENCY min=5 max=5来约束。

经过上述操作，综合后可以发现，只用了18个周期便可以完成了，至于为什么不是16个周期，是因为还有一个周期进行启动，并且写操作也有一个周期的延迟。

六、接口优化

之前使用的都是ap_memory存储器的接口，但模块一般挂接到SoC上，这里将接口改为s_axilite类型，即作为slave设备挂载在SoC上。

基本命令是：#pragma HLS INTERFACE s_axilite port=A。
实际中发现，如果只添加这个命令，interface接口上，还是有ap_start与ap_done模块使能控制信号，这个需要和axi信号加以区分下，在这里，axi只做了数据传输的工作，但模块需要先使能工作才行，就是通过ap_start来完成的。为了让ap_start和ap_done这些信号也受CPU的控制，可以添加#pragma HLS INTERFACE s_axilite port=return。

将ap_start与ap_done都变成axi接口综合后的结果。

最后，点击report RTL，就能将工程输出为一个IP，在工程中调用。

七、上板测试

使用的FPGA型号是xc7z020clg400-1。环境简陋，将就着看。

1、平台搭建。
创建最小系统的Zynq核，并将DDR、UART0配置好，同时引出100MHz的PL时钟，还有一个复位信号。总线互联模块是一接一的，CPU启动工作matrix_mul模块，通过一个AXI口访问,将16个数据从AXI发送到模块，并检测是否done完成。每次改完，记得生成wapper和generate output两步。

2、生成并导出bitstream，同时launch SDK。
这个没啥复杂的，传统流程。需要留意下，matrix_mul模块的寄存器地址。

3、SDK开发
新建一个application project的HelloWorld模板，把串口调通之后，开始进行模块的测试，测试的代码如下。为了看懂这个代码，需要去学习几个AXI外设控制的函数。

#include <stdio.h>
#include "platform.h"
#include "xil_printf.h"
#include "stdio.h"
#include "xil_io.h"
#include "xparameters.h"
#include "xmatrix_mul_hw.h"
#include "xmatrix_mul.h"int main()
{int data;int state;// 如果不使用大括号，会出现这个错误：missing braces around initializerchar A[4][4] = {{0,1,2,3},{4,5,6,7},{8,9,10,11},{12,13,14,15}};char B[4][4] = {{0,1,2,3},{4,5,6,7},{8,9,10,11},{12,13,14,15}};short C[4][4];// 定义一个XMatrix_mul类型的变量xmatrix_mul，该变量为自动生成的。XMatrix_mul xmatrix_mul;init_platform();// 将HLS生成的IP赋值给xmatrix_mul，用于后续操作，并将状态信息赋值给state，用于判断是否初始化成功。state = XMatrix_mul_Initialize(&xmatrix_mul, XPAR_MATRIX_MUL_0_DEVICE_ID);if(state != XST_SUCCESS){print("XMatrix_mul_Initialize fail!!\n\r");return XST_FAILURE;}// 由于A是将一行组合成一个数据进行存储，所以接下来是将组合好的新的数值写进RAM。// 这个是和之前进行RESHAPE操作相匹配的，输入的数据是32位的。// Xil_Out32函数是将一个32位的值，写入到一个特定的地址中去。// XMATRIX_MUL_AXILITES_ADDR_A_V_BASE是matrix_mul模块内addr寄存器的偏置地址// XPAR_MATRIX_MUL_0_S_AXI_AXILITES_BASEADDR是matrix_mul模块内addr寄存器的基地址// 基地址+偏置地址，就可以完成对该地址的操作。for(int i=0;i<4;i++){u32 tp = 0;tp = A[i][0] + (A[i][1] << 8) + (A[i][2] << 16) + (A[i][3] << 24);Xil_Out32((XMATRIX_MUL_AXILITES_ADDR_A_V_BASE+XPAR_MATRIX_MUL_0_S_AXI_AXILITES_BASEADDR) + (i*4), (tp));}// 由于B是将一列组成一个数据进行存储，所以接下来是将组合好的新的数值写进RAM。for(int i=0;i<4;i++){u32 tp = 0;tp = B[0][i] + (B[1][i] << 8) + (B[2][i] << 16) + (B[3][i] << 24);Xil_Out32((XMATRIX_MUL_AXILITES_ADDR_B_V_BASE+XPAR_MATRIX_MUL_0_S_AXI_AXILITES_BASEADDR) + (i*4), (tp));}// 第一次启动后可以自启动，不必再初始化。XMatrix_mul_EnableAutoRestart(&xmatrix_mul);// 启动电路，将ap_start置为1，开始计算。XMatrix_mul_Start(&xmatrix_mul);print("Test Start!!!\n\r");// 数据输出// 判断计算完成的条件是ap_done为1，当不是1时说明还尚未完成，就一直读取判断，直至算完。data  = XMatrix_mul_IsDone(&xmatrix_mul);while(data != 1){data  = XMatrix_mul_IsDone(&xmatrix_mul);}for(int i =0;i<4;i++){int tp;for(int j =0;j<2;j++){tp = XMatrix_mul_ReadReg((XMATRIX_MUL_AXILITES_ADDR_C_V_BASE + XPAR_MATRIX_MUL_0_S_AXI_AXILITES_BASEADDR),4*(2*i+j));C[i][2*j+1] = tp >> 16;C[i][2*j]   = tp - C[i][2*j+1] * 65536;}}for(int i=0;i<4;i++){for(int j=0;j<4;j++){printf("C[%d][%d]：%d\n",i,j,C[i][j]);}}print("Test End!!!\n\r");cleanup_platform();return 0;
}

4、实验输出的测试。

八、补充部分

1、关于ap控制信号。
控制信号方面，着重关注的是ap_start与ap_done，在ap_start变为高电平后，模块开始工作，工作结束时ap_done拉高一个时钟周期，如果要继续工作，则ap_start继续为高电平，反之变为低电平，停止该模块的工作。
2、关于SDK方面。
之前因为没有板卡，且对AXI有一部分的恐惧，但这次实验后，发现外设的访问并没有想象中的难，只需要寄存器地址就可以了，就像下面这张表列出来的。至于AXI内部的很多控制信号，CPU的Core其实已经帮忙做完了。

3、最后的matrix_mul.cpp代码。

// matrix_mul.cpp
#include "matrix_mul.h"void matrix_mul(ap_int<8> A[4][4], ap_int<8> B[4][4], ap_int<16> C[4][4]){#pragma HLS INTERFACE s_axilite port=return#pragma HLS INTERFACE s_axilite port=B#pragma HLS INTERFACE s_axilite port=C#pragma HLS INTERFACE s_axilite port=A#pragma HLS ARRAY_RESHAPE variable=B complete dim=1#pragma HLS ARRAY_RESHAPE variable=A complete dim=2for(int i=0;i<4;i++)for(int j=0;j<4;j++){#pragma HLS PIPELINE II=1C[i][j]=0;// 循环乘四次，并进行相加for(int k=0;k<4;k++){C[i][j]=C[i][j]+A[i][k]*B[k][j];}}
}

九、时间与参考

一些关键时间点的记录：

2021年04月09日：看了一些课，学了HLS的一些用法。
2021年04月10日：搭建并测试了HLS写的矩阵乘法模块的准确性。
后续可能做的工作：如果有Pynq板卡，计划将本实验作为Pynq入门实验。

参考性的资料：

warning: missing braces around initializer的解决
基于ZYNQ的HLS矩阵乘法加速实验