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.
Prérequis et prise en main
Background and getting started
- Introduction à l’apprentissage profondIntroduction to deep learning (PDF)
- Prise en main de PyTorchGetting started with PyTorch (PDF)
- Aide-mémoire PyTorchPyTorch cookbook (Markdown)
- Exemple PyTorch complet, sans téléchargementComplete PyTorch example, without downloads (Python)
- Démonstrations PyTorch par thèmePyTorch topic demonstrations (Python)
- Travailler sur une machine personnelle ou distanteWorking on a personal or remote computer (Markdown)
Travaux pratiques
Lab materials
Les sept TP sont disponibles : énoncé PDF, archive autonome et code étudiant dans GitLab. Mise à jour du 17 novembre 2026 (b47c2b5f). Le TP06 porte sur Conv2D en HLS ; le TP07 utilise le CNN compact MNIST.
All seven labs are available: PDF handouts, standalone archives and student code on GitLab. Updated 17 November 2026 (b47c2b5f). TP06 covers HLS Conv2D; TP07 uses the compact MNIST CNN.
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 liens donnent accès aux supports étudiants. Les jeux de données et les résultats générés restent séparés du code.These links provide student materials. Datasets and generated results remain separate from the source code.
Jeux de données
Datasets
Utilisez les scripts habituels du TP. Si le téléchargement officiel est lent, les instructions de secours du guide permettent de récupérer les mêmes fichiers depuis GitLab, sans changer les chargeurs ni le cache partagé entre TP01, TP02 et TP03.
Use the normal lab scripts. If the official download is slow, the guide's fallback instructions use the same files from GitLab, with the existing loaders and cache shared by TP01, TP02 and TP03.
- Guide des outils et instructions de secoursTools guide and fallback instructions (PDF)
- FashionMNIST : SHA-256 · Source et attributionSource and attribution
- CIFAR-10 — cifar-10-python.tar.gz (170 MB) · MD5
c58f30108f718f92721af3b95e74349a
Cours et guide des outils
Lectures and tools guide
- Plan du coursCourse plan (PDF)
- L01 — Introduction, présentation courteL01 — Introduction, core slides (PDF)
- L01 — Introduction complèteL01 — Full introduction (PDF)
- L02 — QuantificationL02 — Quantization (PDF)
- L03 — Élagage et recherche d’architectureL03 — Pruning and architecture search (PDF)
- L04 — Distillation des connaissancesL04 — Knowledge distillation (PDF)
- Guide HLS : du CNN à l’accélérateurHLS guide: from CNN to accelerator (PDF)
- Guide des outils : Apptainer, Vitis AI et KV260Tools guide: Apptainer, Vitis AI and KV260 (PDF)
SHA-256 Sources LaTeX et PDF — archive OverleafLaTeX sources and PDFs — Overleaf archive (.zip)
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.