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.

EnseignementTeachingCoordination et travaux pratiquesCourse coordination and practical labs
MatérielHardwareAMD Kria KV260 · FPGA

Prérequis et prise en main

Background and getting started

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.

TP01

Vitis AI workflowVitis AI workflow

Premiers modèles, entraînement, quantification.Model analysis, training and quantization.

TP02

Quantification et déploiement sur KV260Quantization and KV260 deployment

PTQ, QAT, compilation et déploiement.PTQ, QAT, compilation and deployment.

TP03

Élagage des réseaux de neuronesPruning

Élagage structuré et non structuré.Structured and unstructured pruning.

TP04

Distillation des connaissancesKnowledge distillation

Enseignant, étudiant et comparaison des objectifs.Teacher–student learning and objective comparisons.

TP05

IA frugale sur KV260Frugal AI on KV260

Optimisation et inférence embarquée.Optimization and embedded inference.

TP06

Synthèse de haut niveauHigh-Level Synthesis

De C/C++ au matériel accélérateur.From C/C++ to hardware accelerators.

TP07

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.

Cours et guide des outils

Lectures and tools guide

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.