3、FINN工作流入门：从ONNX模型到FPGA部署的完整流程概览
好，咱们正式开始聊FINN的工作流。
说实话，我第一次接触FINN的时候，也被它那一长串流程给唬住了。从训练好的模型，到最后在FPGA上跑起来，中间要经过七八个步骤。但你把它拆开看，其实就三件事：模型准备、编译优化、生成部署。今天我就带你走一遍这个完整流程，让你心里有个底。
3.1 整体流程长什么样？
先给你一张全景图。FINN的工作流大致是这样的：
ONNX模型 → 预处理 → 量化 → 编译 → 打包 → 部署到FPGA嗯，看着简单吧？但每一步里面都有不少门道。我习惯把这个流程分成两个阶段：前端处理和后端生成。
- 前端处理：把浮点模型转成定点模型，说白了就是量化。
- 后端生成：把量化后的模型映射到FPGA的硬件资源上，生成比特流。
你想想看，这跟传统的软件编译流程其实很像。前端是语言无关的优化，后端是目标平台相关的代码生成。只不过FINN的后端生成的是硬件，不是指令。
3.2 第一步：模型准备与预处理
一切从ONNX模型开始。ONNX是微软牵头搞的一个开放格式，好处是主流框架都能导出。我个人习惯用PyTorch训练，然后转成ONNX。
这里有个坑，我踩过好几次——ONNX算子兼容性。FINN支持的算子有限，像Conv、ReLU、MaxPool这些没问题，但你要是用了自定义算子，就得自己写映射规则。
finn.core.onnx_utils 检查一下算子支持情况。
预处理阶段主要做两件事：
- 折叠BatchNorm：把BN层融合到Conv层里，减少计算量。
- 删除冗余节点：比如一些恒等映射的节点，删掉不影响精度。
我曾经接手过一个项目，模型里有一堆没用的Reshape节点，预处理后模型大小直接缩了30%。
3.3 第二步：量化——从浮点到定点
量化是FINN的核心，也是最有意思的一步。
为什么一定要量化？因为FPGA擅长做整数运算，浮点运算太费资源了。你想想看，一个浮点乘法器占的资源，够做好几个整数乘法器了。
FINN支持两种量化方式：
| 量化方式 | 位宽 | 适用场景 |
|---|---|---|
| 均匀量化 | 1-8 bit | 大多数CNN模型 |
| 非均匀量化 | 可变 | 对精度敏感的场景 |
我个人建议，刚开始先用均匀量化，位宽从8bit开始往下试。我做过一个实验，8bit量化精度损失不到0.5%，但资源节省了4倍。
3.4 第三步：编译——把计算图变成硬件描述
量化完了，接下来就是编译。这一步FINN会把计算图拆成一个个计算节点，然后映射到FPGA上的硬件模块。
编译过程大概分这几步：
- 图优化：合并相邻的Conv+ReLU，减少数据搬运。
- 内存规划：决定哪些数据放BRAM，哪些放DRAM。
- 流水线划分：把计算图切成多个阶段，每个阶段对应一个硬件加速器。
我记得第一次跑编译的时候，等了快一个小时。后来发现是内存规划没做好，数据搬运太频繁。调整了一下流水线深度，编译时间降到了15分钟。
编译完成后，FINN会生成一个HLS（高层次综合）工程。说白了，就是一堆C++代码，描述了每个硬件模块的行为。
3.5 第四步：打包与部署
最后一步，把HLS工程综合成比特流，烧到FPGA上。
这一步其实跟普通的FPGA开发流程一样：
- 用Vivado HLS把C++代码转成RTL。
- 用Vivado做综合、布局布线。
- 生成比特流，下载到板卡。
但FINN帮你自动化了大部分工作。你只需要跑一个命令：
finn.build.build_fpga_model(model, platform="Pynq-Z1")嗯，就这么简单。但背后发生的事情可不少。FINN会自动调用Vivado，处理时序约束，生成驱动代码。我第一次用的时候，看到终端里刷刷刷地跑Vivado，心里还挺感慨的——以前手工做这些，至少得折腾一周。
3.6 一个完整的例子
说了这么多，不如看个实际例子。假设你有一个训练好的CNN模型，想部署到Pynq-Z1上。完整的FINN工作流是这样的：
# 1. 导入模型
import onnx
model = onnx.load("my_model.onnx")
# 2. 预处理
from finn.core.onnx_utils import fold_batchnorm
model = fold_batchnorm(model)
# 3. 量化
from finn.quantization import quantize_model
quantized_model = quantize_model(model, bit_width=4)
# 4. 编译
from finn.compile import compile_model
compiled_model = compile_model(quantized_model, target="Pynq-Z1")
# 5. 生成比特流
from finn.build import build_fpga_model
build_fpga_model(compiled_model, output_dir="./output")你看，核心代码就这么几行。但每一步背后都有大量的优化和检查。我建议你第一次跑的时候，把日志级别调到INFO，看看每一步都干了什么。
3.7 小结
FINN的工作流，说白了就是把软件模型翻译成硬件电路。你不需要懂VHDL或Verilog，但得理解量化、流水线、内存规划这些概念。
我个人觉得，FINN最大的价值不是自动化，而是让你能快速迭代。以前改一个模型结构，得重新写RTL、重新仿真，至少一周。现在改个参数，重新跑一遍流程，半天就搞定了。
下一章，我会带你手把手搭建FINN的开发环境。到时候咱们真刀真枪地干一场。