Présentation
Overview
Ce module explore les méthodes de déploiement efficace des réseaux de neurones sur plateformes embarquées et FPGA : quantification, élagage, distillation, synthèse de haut niveau et expérimentation sur KV260.
This module explores efficient neural-network deployment on embedded platforms and FPGAs: quantization, pruning, knowledge distillation, high-level synthesis and hands-on KV260 experiments.
Travaux pratiques
Lab materials
Chaque TP disposera d'un énoncé PDF, d'une archive autonome et d'un accès au code étudiant dans GitLab. Les liens seront activés après validation et publication.
Each lab will have a PDF handout, a standalone archive and a link to its student code in GitLab. Links will become available after validation and publication.
Vitis AI workflowVitis AI workflow
Premiers modèles, entraînement, quantification.Model analysis, training and quantization.
Quantification et déploiement sur KV260Quantization and KV260 deployment
PTQ, QAT, compilation et déploiement.PTQ, QAT, compilation and deployment.
Élagage des réseaux de neuronesPruning
Élagage structuré et non structuré.Structured and unstructured pruning.
Distillation des connaissancesKnowledge distillation
Enseignant, étudiant et comparaison des objectifs.Teacher–student learning and objective comparisons.
IA frugale sur KV260Frugal AI on KV260
Optimisation et inférence embarquée.Optimization and embedded inference.
Synthèse de haut niveauHigh-Level Synthesis
De C/C++ au matériel accélérateur.From C/C++ to hardware accelerators.
Défi CNN sur FPGACNN FPGA challenge
Conception et intégration d’un accélérateur CNN.CNN accelerator design and integration.
Les ressources indisponibles sont indiquées en gris. Aucun code enseignant ni résultat expérimental privé ne sera publié sur cette page.Unavailable resources are shown in grey. Instructor solutions and private experiment outputs will not be published here.
Accès aux ressources
How to use the resources
Les archives contiennent le code et les instructions étudiants propres à chaque TP. Le dépôt GitLab donne accès aux mêmes sources et permet de récupérer les mises à jour. Les jeux de données et les sorties d'exécution ne sont pas intégrés aux archives.
Lab archives contain the student code and instructions for each exercise. GitLab provides the same source material and future updates. Datasets and generated execution outputs are not bundled.