基于ZYNQ的随机森林分类器实现

由于嵌入式设备的计算能力及存储空间等限制,大多数深度学习算法还不能脱离实验室的超级计算机,这就需要将软件算法进行硬件化设计,减少对核心算力资源的使用。针对算法在硬件平台移植过程中的优化问题,文章提出了一种将随机森林分类算法在ZYNQ系列的FPGA上高效实现的技术方案。该设计通过对资源的优化配置,可以有效节省硬件的存储空间,提升算法的运行速度并降低系统功耗。最后通过识别手写数字的方式检测了分类器的精度与效率。实验结果表明,该方案在保证识别精度的条件下,运行效率可以提升30%以上。