第二章：开发环境搭建——Vivado安装、FINN源码编译、Python虚拟环境配置、Docker部署

好，咱们直接进入正题。这一章说白了就是“磨刀不误砍柴工”。你想想看，后面所有多核CNN的部署实验，都得靠这一章搭好的环境来跑。我见过太多同学卡在环境上，一卡就是两三天，心态直接崩了。所以这一章，咱们稳扎稳打，把四个核心环节一一搞定。

2.1 Vivado安装：别踩这个坑

Vivado是Xilinx家的看家工具，也是咱们把FINN生成的网络映射到FPGA上的必经之路。我个人习惯用Vivado 2020.1或2021.1版本，因为FINN对这两个版本的兼容性最好。

⚠️ 重要提醒： 千万别装最新的Vivado 2023.x或2024.x！FINN的某些底层脚本还没适配，我去年试过一次，编译到一半报了个莫名其妙的Tcl错误，查了两天才发现是版本不兼容。老老实实用2020.1或2021.1，省心。

安装步骤其实不复杂，但有几个关键点要注意：

  1. 下载安装包：去Xilinx官网下载Vivado HLx，选“WebPACK”或“Design Edition”都行。记得勾选“Vivado HL System Edition”和“Vitis Application Development”。
  2. 安装路径：不要有中文和空格。我习惯放在 C:\Xilinx\Vivado\2020.1 这种路径下。
  3. License配置：如果你用的是免费WebPACK版，安装完会自动激活。如果是企业版，记得把license文件放到 C:\Xilinx\Vivado\2020.1\licenses 目录下。
  4. 环境变量：安装完成后，检查一下系统环境变量里有没有 XILINX_VIVADO 这个变量，指向你的安装路径。没有的话手动加一个。
💡 我的小技巧： 安装时把“Install Cable Drivers”也勾上。不然你后面连开发板时，会发现电脑死活识别不到JTAG。我曾经因为这个折腾了一下午，最后发现就是驱动没装。

2.2 FINN源码编译：从GitHub到你的电脑

FINN是Xilinx开源的一个框架，专门用来把训练好的神经网络部署到FPGA上。说白了，它就是个“翻译官”——把PyTorch模型翻译成FPGA能懂的硬件描述语言。

源码编译这块，我建议你直接用Git克隆，别去下载zip包。为什么？因为FINN有很多子模块，zip包容易漏掉。

# 克隆FINN仓库
git clone https://github.com/Xilinx/finn.git
cd finn

# 初始化子模块（这一步很容易忘！）
git submodule update --init --recursive

# 安装依赖
pip install -r requirements.txt

# 编译FINN核心库
python setup.py install

嗯，这里要注意：git submodule update --init --recursive 这步不能省。我刚开始做的时候跳过了这步，结果编译到一半报错说找不到某个头文件，查了半天才发现是子模块没拉下来。

编译过程中如果遇到 protobuf 版本冲突，别慌。FINN对protobuf的版本要求比较严格，建议用3.20.x版本。你可以这样处理：

pip install protobuf==3.20.3

2.3 Python虚拟环境配置：隔离才是王道

做AI加速的人，电脑上通常装了一堆Python包——PyTorch、TensorFlow、ONNX、numpy……版本之间互相打架是常事。所以我强烈建议你为FINN单独建一个虚拟环境。

我个人习惯用 conda，因为它管理不同Python版本很方便。FINN目前推荐Python 3.8或3.9。

# 创建虚拟环境
conda create -n finn_env python=3.8

# 激活环境
conda activate finn_env

# 安装PyTorch（根据你的CUDA版本选择）
pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 -f https://download.pytorch.org/whl/torch_stable.html

# 安装其他依赖
pip install onnx onnxruntime numpy matplotlib
📌 核心要点： 每次打开终端做FINN相关实验前，记得先 conda activate finn_env。我见过有同学在base环境里跑FINN，结果包冲突导致整个系统Python都崩了，最后重装了系统……别问我怎么知道的。

2.4 Docker部署：一劳永逸的方案

如果你觉得上面那些步骤太麻烦，或者你需要在不同机器上复现实验，Docker是最省心的方案。FINN官方提供了Docker镜像，里面Vivado、Python环境、FINN源码全都配好了。

你想想看，只要拉一个镜像，就能在任何Linux机器上直接跑FINN，多爽。

# 拉取FINN Docker镜像
docker pull xilinx/finn:latest

# 运行容器（记得挂载你的项目目录）
docker run -it --rm \
  -v /path/to/your/project:/workspace \
  -v /path/to/vivado:/opt/Xilinx/Vivado \
  xilinx/finn:latest \
  /bin/bash

这里有几个参数解释一下：

  • -v /path/to/your/project:/workspace：把你的项目目录挂载到容器里的 /workspace，这样你在容器里改代码，宿主机也能看到。
  • -v /path/to/vivado:/opt/Xilinx/Vivado：把宿主机上安装好的Vivado挂载进去。因为Docker镜像里没有Vivado，得用你本地的。
  • --rm：容器退出后自动删除，保持环境干净。
⚠️ 注意： Docker方式虽然方便，但有个前提——你的宿主机必须已经装好了Vivado。而且Docker容器里不能直接连接FPGA开发板做烧录，得在宿主机上操作。所以我的建议是：开发调试用Docker，最终部署用本地环境。

2.5 验证环境是否搭好

环境搭完了，怎么知道对不对？跑一个最简单的测试：

# 进入FINN目录
cd finn

# 运行一个简单的测试用例
python run.py --test --model examples/single_layer_network.onnx

# 如果看到 "Test passed!" 字样，说明环境没问题

如果报错，别慌。99%的情况是以下三个原因之一：

  1. Vivado路径没配好：检查 XILINX_VIVADO 环境变量。
  2. Python包版本冲突：用 pip list 检查protobuf、onnx等包的版本。
  3. 子模块没拉全：重新执行 git submodule update --init --recursive。
💡 我的经验： 如果你用的是Windows系统，建议装个WSL2（Windows Subsystem for Linux 2），然后在WSL2里搭环境。FINN对Windows原生支持不太好，很多脚本都是Linux路径。我早期在Windows上硬搞，结果各种路径分隔符问题，后来切到WSL2就再也没出过类似问题。

好了，环境搭完，咱们就可以开始真正的多核CNN部署了。下一章我会带你跑通第一个FINN示例，看看一个简单的卷积网络是怎么一步步变成FPGA比特流的。

← 上一章 📖 返回目录 下一章 →