本工程使用纯verilog语言编写rtl代码，在FPGA上搭建神经网络LeNet-5，实现手写数字识别的功能。 由于一些文件太大，所以它们无法上传，但核心的rtl代码都在src文件夹中，测试文件在sim文件夹中，约束文件在constr文件夹中。 阅读src文件夹中rtl代码时，请对照代码说明。
工程介绍：
本作品使用的神经网络架构是在经典的LeNet-5神经网络架构的基础上经过简化得到的，包括两个卷积层、两个池化层、两个全连接层、三个激活层。使用PyTorch构建和训练模型，训练和测试数据集采用MNIST数据集，理论精度达98.6%。
第一卷积层使用六个单层卷积核，卷积前在图片周围进行2圈0填充；第二个卷积层使用六个六层卷积核，无填充，卷积核尺寸均为5×5；池化采用最大池化；激活函数采用简单的ReLU函数。最终得到的输出结果是十个小数，取最大的一个数对应的结果作为最终识别结果。
硬件系统的核心部件为112个乘法器、112个加法器、2个比较器（进行4个数比较），由它们完成卷积、池化、激活、全连接的操作，整个系统的工作时序由状态机（state）和两个计数器（cnt1/cnt2）控制。
工作时，图片数据通过串口送入该系统的输入缓存（input_buffer），此后乘法器和加法器对图片分多次进行卷积操作（即将像素数据与权重数据进行乘累加运算，并加上偏置），待一次累加完毕，将加法器的输出结果存入缓存（cache），此后在卷积的同时，用四数比较器（comparer）对缓存中的数池化、激活，存入第一次卷积结果存储器（conv1_result）。
当第一次卷积即将结束时，并行开始第二次卷积，经与第一次卷积类似的过程将结果存入第二次卷积结果存储器（conv2_result），随后开始第一次全连接，经过乘累加运算和激活层后将结果存入缓存（cache），再进行第二次全连接，将计算结果送入十数比较器（compare_10），输出10位独热码，得到识别结果。