你训练了一个模型，部署到了云端。但如果你想让它跑在只有几毫瓦功耗的嵌入式设备上呢？大多数人会告诉你“这需要ASIC，成本太高”。但这个项目证明，用两块总共不到500块的FPGA开发板，你就能从零跑通ML硬件加速的完整链路。
学FPGA最让人焦虑的时刻，往往不是代码写不出来，是不知道学完能干什么。
你点了一学期的LED，写了UART，做了状态机。但面试官问“你做过什么项目”，你只能把课程实验复述一遍。你想做AI加速，但一打开论文就是“脉动阵列”“量化感知训练”“INT8 MAC阵列”——每个词都认识，连起来看不懂。
TinyML Accelerator这个项目，把这条链路从“看不懂”变成了“可以跟着做”。
01 它到底做了什么？两块开发板，一条完整的进阶路径
项目在GitHub上的描述很坦诚：“这是我学习FPGA和机器学习硬件加速的代码输出。”
它不是“已经做完的Demo”，是一个正在进行的、持续更新的学习记录。项目的核心思路是：用两块开发板，覆盖从FPGA基础到ML加速的完整学习路径。
第一块：iCESugar（基于Lattice iCE40UP5K）。 这是一块开源FPGA开发板，板载RGB LED、拨码开关、Type-C接口，大部分IO以标准PMOD接口引出。它使用完全开源的工具链——Yosys综合、nextpnr布局布线、icestorm打包烧录，不需要安装臃肿的IDE，不需要担心许可证问题。
核心规格：iCE40UP5K提供5280个逻辑单元、128KB双端口Block RAM、1Mbit单端口RAM、8个16×16 DSP乘法器，以及PLL、SPI、I2C硬核IP。板载调试器iCELink支持拖拽烧录——把比特流文件拖到虚拟U盘里，就完成了烧录。
第二块：Arty A7-100T（基于Xilinx Artix-7）。 用于运行Google的CFU-Playground——一个全栈开源框架，让你在FPGA上加速机器学习模型。
这条路径的工程意义很明确：iCESugar让你在开源工具链上建立FPGA基础能力，Arty A7-100T让你在工业级平台上学习ML硬件加速。两块板子的成本合计不到500元，学生完全负担得起。
02 CFU-Playground：这个框架到底在做什么？
CFU-Playground是Google开源的全栈框架，论文发表于arXiv（arXiv:2201.01863），作者来自哈佛大学、Google、普渡大学和斯坦福大学。
CFU是什么？ Custom Function Unit——紧耦合到CPU流水线中的加速器硬件，用来添加新的自定义功能指令，补充CPU的标准功能（如算术/逻辑运算）。
CFU-Playground在做什么？ 它让你基于RISC-V指令集，在FPGA上构建自己专用的ML处理器。工具链集成了开源软件（TensorFlow Lite Micro、GCC）、开源RTL生成器（LiteX、VexRiscv、Migen、Amaranth）和开源FPGA工具（Yosys、nextpnr）。
最硬核的数据：使用CFU-Playground的设计和评估循环，研究者展示了55倍到75倍的加速。这不是“理论峰值”，是在真实硬件上跑出来的端到端加速。
03 为什么CFU-Playground适合大学生？
第一，它是一个“渐进式”的学习框架。
大多数AI加速器项目要求你从零开始设计一个加速器。CFU-Playground不一样——它先让你跑通一个基准模型，然后profile每一层的周期数，找到最耗时的算子，再针对这个算子设计一个CFU。
这个流程是可迭代的、可量化的、可解释的。你不需要“猜”哪里需要加速，数据会告诉你。
第二，它降低了硬件工程师和软件工程师的协作门槛。
CFU-Playground的文档明确写道：“ML加速在微控制器级硬件上是一个新领域，由于ASIC的成本高昂，目前由硬件工程师主导。为了鼓励软件工程师参与创新，CFU-Playground的目标是让实验变得简单、快速、有趣”。
第三，它有完整的仿真环境，不需要硬件也能跑。
CFU-Playground集成了Renode仿真框架。Renode可以与Verilator协同仿真，让你在确定性、可调试、完全可控的环境中测试ML加速器和软件，甚至不需要看到目标FPGA板。
这意味着什么？ 你可以在没有开发板的情况下，跑通整个CFU-Playground流程。写CFU、仿真、profile、优化——全部在电脑上完成。
04 硬件平台：iCESugar和Arty A7-100T
| 参数 | iCESugar | Arty A7-100T |
|---|---|---|
| FPGA芯片 | Lattice iCE40UP5K | Xilinx Artix-7 XC7A100T |
| 逻辑单元 | 5280 | 101,440 |
| DSP | 8个16×16乘法器 | 240个 |
| RAM | 128KB Block RAM + 1Mbit | 256MB DDR3 |
| 工具链 | 完全开源（Yosys/nextpnr） | Vivado（免费版支持） |
| 价格 | 约450元 | 约1000元 |
数据来源：CFU-Playground论文Table I和iCESugar规格
iCESugar的工程价值：它的资源极其有限（5280个逻辑单元），但这恰恰是学习的好起点。你被迫去理解资源约束——一个CFU不能随便用DSP，不能随便用BRAM，每一个逻辑单元都要精打细算。
Arty A7-100T的工程价值：101,440个逻辑单元、240个DSP，给了你足够的空间去实现复杂的CFU。而且它是工业界常用的开发板，你在这个平台上积累的经验可以直接迁移到工作中。
05 学习路径：从iCESugar到CFU-Playground
第一步：iCESugar基础。
安装开源工具链（Yosys + nextpnr + icestorm），跑通LED闪烁。用make构建流程，理解从Verilog到比特流的完整链路。这一步你会学到：开源FPGA工具链的工作流程、PMOD接口的使用、拖拽烧录机制。
第二步：CFU-Playground环境搭建。
按照官方Setup Guide配置环境。CFU-Playground支持Arty A7-35T/100T、iCEBreaker、Fomu、OrangeCrab、ULX3S、Nexys Video等开发板。如果你还没有Arty，可以先用Renode仿真跑通流程。
第三步：跑通基准模型，profile每一层。
选择一个TensorFlow Lite模型（比如关键词识别），在Arty上运行推理，获取每一层的周期数。你会看到哪些层最耗时——通常是卷积层或全连接层。
第四步：设计你的第一个CFU。
选择一个耗时的算子（比如int8矩阵乘法），用Verilog或Amaranth实现一个CFU。CFU通过自定义指令被CPU调用，指令格式是cfu_op(funct7, funct3, a, b)，其中funct7和funct3是操作码字段，a和b是操作数。
第五步：对比加速前后的周期数。
用Renode或真实硬件跑通加速后的模型，对比profile数据。CFU-Playground的论文展示了55倍到75倍的加速，你的第一个CFU可能达不到这个数量级，但你可以看到每一步优化的量化收益。
06 简历怎么写？面试能讲什么？
简历写法示例：
“基于CFU-Playground开源框架，在Arty A7-100T FPGA上实现了RISC-V自定义功能单元（CFU）的ML加速器。通过TensorFlow Lite Micro基准模型profile，定位耗时算子，用Verilog实现了int8矩阵乘法CFU。通过Renode仿真验证功能正确性，对比加速前后的周期数，实现了显著加速。”
面试能讲什么：
方向一：CFU的设计与集成。 CFU如何紧耦合到RISC-V流水线？自定义指令的编码格式是什么？CFU的接口协议是怎样的？
方向二：profile驱动的优化方法。 你怎么找到最耗时的算子？周期数是怎么测量的？优化前后怎么量化收益？
方向三：Renode+Verilator协同仿真。 为什么需要协同仿真？Verilator在仿真中扮演什么角色？如何在没有硬件的情况下验证CFU？
TinyML Accelerator不是一个“已经做完”的项目。它的代码还在更新，CFU还在迭代。
但它的价值在于：它给了你一条从“点灯”到“ML加速器”的完整路径。 你不需要一开始就面对复杂的加速器设计，你从iCESugar的基础实验开始，逐步过渡到CFU-Playground的迭代优化循环。
两块开发板，不到500块，一条完整的进阶路径。 这是从“学FPGA”到“做AI硬件”最务实的一步。
项目地址：github.com/Marcobisky/TinyML
CFU-Playground文档：cfu-playground.readthedocs.io
关于成电国芯
成电国芯FPGA课程已升级边缘AI与硬件加速方向，覆盖RISC-V自定义指令、CFU设计、TinyML模型部署、Renode仿真等企业级实战内容。从开源工具链到ML加速器，每一步都有导师带练。想系统掌握FPGA AI加速的核心能力，欢迎联系我们了解课程详情。
评论 0