http://www.tuicool.com/articles/eQ7nEn
最终到了HLS部分。HLS是High Level Synthesis的缩写，是一种能够将高级程序设计语言C，C++。SystemC综合为RTL代码的工具。
生产力的发展推动了设计模式。在电子技术0基础阶段，人们关注的是RLC电路。通过建立微分方程求解电路响应。
门级电路是对RLC的初步封装，人们进而採用布尔代数、卡诺图进行电路设计与分析。之后随着集成电路进一步发展。门电路能够集成为寄存器、触发器、ROM等宏单元。设计工具也变得更为高度模块化。算法级别的电路设计，则一直没有特别好的工具，直到出现了HLS。
HLS能够将算法直接映射为RTL电路，实现了高层次综合。从这个层面上讲，System Generator也是一种高层次综合工具。由于它将matlab算法描写叙述综合为RTL代码。假设今后机器学习、人工智能获得重大突破，也许会出现将人类自然语言综合为RTL代码的工具，不知我们能否见证它的面世。
HLS的学习资源能够參考 http://xilinx.eetrend.com/article/5096 。本节给出较为通用的矩阵与向量相乘样例，从全串行到全并行进行了一步步优化实现。
矩阵实验室Matlab是比較经常使用的数学仿真软件。
本博主用的是R2013a版本号。为了验证矩阵向量相乘正确性。我们先用matlab生成測试矩阵和向量。并利用matlab计算结果。代码例如以下：
clear; clc; close all; N = 5; A = randi([1,100],N,N); b = randi(100,N,1); c = A*b; KKK_SaveToCHeaderFile(A,'A.h'); KKK_SaveToCHeaderFile(b,'b.h'); KKK_SaveToCHeaderFile(c,'c.h');
这里给出的是A*b = c的简单样例，A为5X5矩阵。b为5X1向量，结果c为5X1向量。当中KKK_SaveToCHeaderFile()是将矩阵、向量保存为C语言数组的子函数。定义例如以下：
function [] = KKK_SaveToCHeaderFile(var,fn) fid = fopen(fn,'w'); var = reshape(var.',1,[]); fprintf(fid,'%d, ',var); fclose(fid);
给出測试例程中，A例如以下：
82 10 16 15 66 91 28 98 43 4 13 55 96 92 85 92 96 49 80 94 64 97 81 96 68
76 75 40 66 18
9800
15846
16555
23124
22939
执行matlab脚本之后，生成三个文件：A.h。b.h。c.h，这些是作为HLS程序的输入数据和參考结果。以下我们用HLS工具实现上述矩阵X向量的功能。第一步，执行Vivado HLS。
选择第一项，Create New Project，建立新projectMatrixMultiply
输入路径和project名之后，点Next。
加入顶层模块文件。这里我们Top Functions输入MatrixMultiply，然后New File...，新建一个.c文件。命名为MatrixMultiply.c（后缀不要省略！
），然后点Next
加入顶层文件測试脚本。这里New一个文件TestMatrixMultiply.c（后缀不要省略！
），然后Add前面用Matlab生成的A.h。b.h，c.h，例如以下图所看到的：
点Next，选择解决方式配置，例如以下图所看到的
其余保持默认，仅仅改动Part Selection部分，改为ZedBoard。
改完后。Finish就可以进入主界面，例如以下图所看到的
能够看出。Vivado HLS界面非常像非常像Xilinx SDK，不同的是前者负责PL部分开发。后者负责PS软件编写。定位不同决定了二者今后的路必定走向分歧。
将MatrixMultiply.c内容改为：
typedef int data_type; #define N 5 void MatrixMultiply(data_type AA[N*N],data_type bb[N],data_type cc[N]) { int i,j; for(i = 0;i<N;i++) { data_type sum = 0; for(j = 0;j<N;j++) { sum += AA[i*N+j]*bb[j]; } cc[i] = sum; } }
将TestMatrixMultiply.c内容改为：
#include <stdio.h> typedef int data_type; #define N 5
const data_type MatrixA[] = { #include "A.h" }; const data_type Vector_b[] = { #include "b.h" }; const data_type MatlabResult_c[] = { #include "c.h" };
data_type HLS_Result_c[N] = {0}; void CheckResult(data_type * matlab_result,data_type * your_result); int main(void) { printf("Checking Results: "); MatrixMultiply(MatrixA,Vector_b,HLS_Result_c); CheckResult(MatlabResult_c,HLS_Result_c); return 0; } void CheckResult(data_type * matlab_result,data_type * your_result) { int i; for(i = 0;i<N;i++) { printf("Idx %d: Error = %d ",i,matlab_result[i]-your_result[i]); } }
首先进行C语言仿真验证，点这个button：
结果例如以下：
从C仿真输出看到，仿真结果与matlab计算结果一致，说明我们编写的C程序MatrixMultiply是正确的。
接下来进行综合。按C仿真后面那个三角形button，得到结果例如以下：
注意到，计算延迟为186个时钟周期。
这是未经过优化的版本号，记为版本号1。
为了提高FPGA并行计算性能，我们接下来对它进行优化。
打开MatrixMultiply.c，点Directives页面，能够看到我们能够优化的对象。
注意到矩阵和向量相乘是双层for循环结构。我们先展开最内层for循环，过程例如以下：
右键点击最内側循环，右键，然后Insert Directive...
弹出对话框例如以下，Directives选择UNROLL，OK就可以。后面全部都保持默认。
再次综合后，结果例如以下
可见效果很明显，延迟缩短到51个时钟周期。
用相同方法，展开外层循环。综合后结果例如以下：
计算延迟又减少了1/3。！
。
但是代价呢？细心的你可能发现占用资源情况发生了较大变化，DSP48E1由最初的4个变为8个后来又成为76个。！
！
FPGA设计中，延迟的减少，即速度提高，必定会导致面积的增大！
循环展开是优化的一个角度，还有一个角度是从资源出发进行优化。
我们打开Analysis视图。例如以下所看到的：
从分析视图能够看出各个模块的执行顺序，从而为优化提供更为明白的指引。我们发现AA_load导致了延迟，假设全部AA的值都能一次性并行取出，势必会加快计算效率！
回到Synthetic视图，为AA添加Directives：
选择Resources，再点Cores后面的方框，进入Vivado HLS core选择对话框
按上图进行选择。使用ROM是由于在计算矩阵和向量相乘时，AA为常数。确认。
仍然选择AA。添加Directives，例如以下图：
选择数组分解，mode选择全然complete，综合后结果例如以下图：
延迟进一步减少，已经降到11个时钟周期了！。！是否已经达到极限了呢？？？
答案是否定的。我们进入Analysis视图。看一下还有哪些地方能够优化的。经过对照发现bb也须要分解，于是依照上面的方法对bb进行资源优化，也用ROM-2P类型，也做全分解，再次综合，结果例如以下：
发现延迟进一步减少到8个时钟周期了。。！
老师。能不能再给力点？
能够的！！
！
。
我们进入分析视图，发现cc这个回写的步骤堵塞了总体流程，于是我们将cc也进行上述资源优化。仅仅只是资源类型要变为RAM_2P，由于它是须要写入的。
综合结果：
总体延迟已经减少到6个clk周期了！！！
再看Analysis视图：
延迟已经被压缩到极限了。
。
。。
老师。还能再给力点嘛？
答案是能够的。！
！
！
我们前面的全部运算都是基于整形数int，假设将数值精度减少，将大大节省资源。
注意如今DSP48E1须要100个！
看我们怎样将资源再降下来。
这就须要借助“随意精度”数据类型了。
HLS中除了C中定义的char。shrot，int。long。long long 之外。还有随意bit长度的int类型。
我们将代码开头的data_type定义改为：
#include <ap_cint.h>
typedef uint15 data_type;
因为matlab生成的随机数在1~100以内。乘积范围不会超过10000。于是取15bit就能满足要求。
首先验证下结果的正确性，用C Simulation试一下。结果例如以下：
看来结果是正确的（当然也不排除数位不够，溢出后的结果相减也是0，须要你自己决定数值位宽）
综合一下。结果例如以下：
延迟缩短了一半，DSP48E1降低到原来的1/4！！
！！！。！！！！
。！！！
。！
！
！。！。！！！。。！！！
！
！！
。。！！。！！
！！
。！
！
我和我的小伙伴们都震惊了！
！
！
！！
！
。！！！
。！！
。。。！
！！。！
！
。！！
！
！
！！
！！！！。。！
！。！。！
！！！！！
。！！。。
再看Analysis视图
能够发现我们的资源利用率已经达到极致，时序已经压缩到无以复加，实现了全并行计算。系统时钟全然能够达到100MHz。延迟仅3CLK。约30ns，相比matlab。得到约数百倍加速（matlab进行矩阵——向量相乘时採用浮点计算）。
通过本文实验，能够发现利用Vivado HLS实现从最初的C串行实现到全并行实现的步步优化。总结一下优化步骤：
（1）粗优化（循环展开、子函数内联）
（2）訪存优化（块存储分散化、多port存取）
（3）精优化（数值位宽优化、流水线优化）
（4）总线化（利用AXI4、AXI-Stream总线接口，减少总体訪存需求）
利用HLS能够将原来的C算法高速部署到FPGA上，降低直接进行硬件编程的工作量。在非常多情况下，优化手段能够和CUDA进行类比，相互借鉴。CUDA事实上更接近软件接口，而HLS更接近硬件编程接口，也许今后两者会在新的层次上融合为统一架构语言。