2. 环境搭建：安装PyTorch、Vivado、FINN、Docker，配置开发环境

说实话，环境搭建这一步，往往是整个课程里最磨人的环节。我见过太多人卡在这一步，还没开始写代码就放弃了。别急，咱们一步步来。

我个人习惯把环境分成三层：软件层（PyTorch）、工具链层（Vivado + FINN）、容器层（Docker）。这三层各司其职，缺一不可。

2.1 安装PyTorch：你的模型起点

PyTorch 是咱们训练模型的主力。你想想看，没有它，后面的 FINN 部署就是无米之炊。

推荐版本：PyTorch 1.13 或 2.0+（我建议用 2.0，因为它的编译优化对后续量化部署更友好）。

安装命令（以 CUDA 11.8 为例）：

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118

嗯，这里要注意：千万别装 CPU 版本。我在项目中遇到过有人装错了版本，训练时才发现 GPU 根本没用上，白白浪费半天时间。

2.2 安装Vivado：FPGA的“编译器”

Vivado 是 Xilinx 家的工具，说白了就是把你的神经网络“翻译”成 FPGA 能跑的电路。这个安装过程比较重，我建议你留出至少 30GB 的磁盘空间。

版本选择：Vivado 2022.2 或 2023.1（FINN 对这两个版本支持最好）。

安装步骤：

1. 去 Xilinx 官网下载 Vivado HLx 安装包（选 WebPACK 版本就够用，别浪费钱买企业版）。
2. 运行安装脚本，一路默认即可。但记得勾选 “Vivado HL Design Edition” 和 “Vivado HL WebPACK”。
3. 安装完成后，设置环境变量：

source /tools/Xilinx/Vivado/2022.2/settings64.sh

我曾经在安装时忘了加这个环境变量，结果 FINN 死活找不到 Vivado，折腾了一下午才发现是路径没配好。避坑指南：把这句话加到你的 .bashrc 里，一劳永逸。

2.3 安装Docker：隔离环境的神器

FINN 官方推荐用 Docker 来跑。为什么？因为 FINN 的依赖太复杂了——Python 版本、ONNX 版本、Vivado 版本……稍有不对就报错。Docker 能帮你把这些乱七八糟的东西都打包好。

安装 Docker Engine：

sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

装完后，记得把当前用户加到 docker 组里，不然每次都要 sudo：

sudo usermod -aG docker $USER

然后注销重新登录，让组权限生效。

2.4 安装FINN：从PyTorch到FPGA的桥梁

FINN 是 Xilinx 开源的神经网络编译器。它的核心思想是：把你的 PyTorch 模型转成 ONNX，然后编译成 FPGA 的比特流。

拉取 FINN Docker 镜像：

docker pull xilinx/finn:latest

这个镜像里已经包含了 FINN 的所有依赖，包括 PyTorch、ONNX、Vivado 的库文件。你想想看，省了多少配置的功夫。

启动 FINN 容器：

docker run -it --rm -v /path/to/your/project:/workspace xilinx/finn:latest /bin/bash

这里 -v 参数是把你的项目目录挂载到容器里，这样你在容器里改代码，宿主机也能看到。

我个人习惯在容器里再装一个 tmux，方便同时开多个终端窗口。命令很简单：

apt-get update && apt-get install -y tmux

2.5 验证环境：跑一个最小示例

环境搭好了，咱们得验证一下。我建议你跑一个 FINN 自带的示例：

cd /workspace/finn
python run.py --model=cnv-w1a1 --target=zynq-zedboard

这个命令会编译一个 1-bit 量化的卷积网络，并生成比特流。如果一切顺利，你会看到类似这样的输出：

INFO: FINN compiler finished successfully.
Bitstream generated: /workspace/finn/outputs/cnv-w1a1.bit

嗯，看到这个就说明环境没问题了。

2.6 常见问题与避坑

问题	原因	解决方法
Docker 拉取镜像超时	网络问题	换国内镜像源，比如阿里云、中科大
Vivado 找不到 license	环境变量没配好	检查 XILINXD_LICENSE_FILE 是否指向 license 文件
FINN 报错 “ONNX version mismatch”	ONNX 版本不兼容	用 FINN 镜像自带的 ONNX，别自己装
PyTorch 无法调用 GPU	CUDA 版本不对	用 nvidia-smi 查看驱动版本，再装对应的 PyTorch

我曾经在 FINN 的 ONNX 版本上踩过一个大坑。当时我自己装了个 ONNX 1.14，结果 FINN 内部用的是 1.12，两个版本不兼容，报了一堆莫名其妙的错误。后来我学乖了：永远用 FINN 镜像里的依赖，别自己瞎升级。

2.7 总结

环境搭建这一步，说白了就是“磨刀不误砍柴工”。你花半天时间把环境配好，后面跑模型、调参数、部署到 FPGA，都会顺畅很多。

我个人建议你把每一步的安装命令都记下来，或者干脆写个脚本。下次换机器时，一键执行，省时省力。

好了，环境搭好了，下一章咱们就开始动手写第一个 FINN 模型了。