finn

把量化神经网络自动编译成 FPGA 数据流硬件

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署基础设施 🍴 复刻 311 🐛 待处理 113 👀 关注 29

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1089

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，遵循BSD许可证，免费使用

项目预览

项目数据

分类基础设施

开发团队Xilinx

官网地址https://xilinx.github.io/finn

GitHubhttps://github.com/Xilinx/finn

定价模式🏷️完全免费

价格说明开源项目，遵循BSD许可证，免费使用

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议BSD-3-Clause

主要语言Python

技术栈/模型compiler,dataflow,fpga,neural-network,quantization

GitHub 星标★ 1089

上线时间2018-06-29 00:00:00

代码更新2026-11-06

仓库体积117.5 MB

本站数据更新2026-11-08

维护状态活跃

收录时间2026-11-08

浏览次数0

项目介绍

Finn 是一个面向 FPGA 的量化神经网络推理数据流编译器，用 Python 实现。它解决的核心问题是：把训练好的神经网络模型高效映射到 FPGA 硬件上，让开发者不必手写 RTL 或深入硬件细节。Finn 将量化后的网络转换为数据流架构，自动完成硬件生成与部署流程，支持卷积、全连接等常见算子，并提供从模型导入、量化、硬件综合到板级部署的完整工具链。项目基于数据流计算范式，强调层间流水线并行与片上资源复用，适合在边缘端做低延迟、低功耗推理。其生态与 Xilinx 平台结合紧密，配套有示例网络和构建脚本，可复现实验流程。对于研究 FPGA 加速器架构、探索量化推理硬件实现的高校与工程团队，Finn 提供了可修改、可扩展的开源基线，降低了从算法到硬件的验证门槛。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-11-08 · 当前星标 ★ 1089

技术标签

compiler neural-network quantization

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：高级约 30 分钟部署方式：Docker 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可用的 Docker 环境（README 明确仅支持 Docker 方式运行编译器）
Python 环境（FINN 编译器用 Python 实现，具体版本需查官方 Getting Started 文档）
用于板级部署的 AMD/Xilinx FPGA 开发工具链
能访问 GitHub 与官方文档站点的网络环境

安装与启动步骤

1确认Docker可用

FINN 依赖复杂，官方只支持 Docker 方式运行编译器，先确认本机 Docker 可正常使用。
```
docker --version
```
2获取FINN源码

从官方仓库克隆 FINN 源码，便于查看构建脚本与文档。
```
git clone https://github.com/Xilinx/finn.git
```
3查阅安装文档

README 未给出具体安装命令，需按官方 Getting Started 页面完成安装与运行模式选择。
4启动FINN容器

按官方文档提供的镜像与参数启动容器；README 未列出镜像名，请以文档为准，不要自行猜测。
5获取示例工程

克隆官方示例仓库，里面有多个神经网络的预构建示例，可用于复现实验流程。
```
git clone https://github.com/Xilinx/finn-examples.git
```
6运行示例流程

在容器内按示例说明走完模型导入、量化、硬件综合到板级部署的流程。