写在前边的话
本博客是转载B站高亚军老师所讲解的内容。觉得高老师讲的太快了，稍不留神就会跳过去很多。本人看了看视频，截了个图，写了个总结。如侵则删。
一、基本概念，pipeline，unrolling
第一章，先上代码，注意代码中的注释，非常重要。后边几章就不上代码了。
//头文件部分
#ifndef FOROPT_H_
#define FOROPT_H_
#include <ap_int.h>
#define N 3
#define WX 8
#define BW 16
typedef ap_int<WX> dx_t;
//当然也可以用ap_uint<>;代表无符号的数据
//ap_fixed<W,Q>，用来定义定点有符号小数
//ap_ufixed<W,Q>，用来定义定点无符号小数
typedef ap_int<BW> db_t;
typedef ap_int<BW+1> do_t;
void foo(dx_t xin[N],dx_t a,db_t b,db_t c,do_t yo[N]);
#endif
源代码部分：
#include "for_opt.h"
void foo(dx_t xin[N],dx_t a,db_t b,db_t c,do_t yo[N]){
int i=0;
/*
*总循环的次数是N，N称之为LOOP trip COUNT
*
*总的操作流程如下（考虑到IP是一个一直工作的，也就能理解为啥这个模块是循环往复的）：
*循环开始
* C0：获取b,c的数据;
* C1：获取xin的i个地址
* C2：读取xin[i]中的数据
* C3：完成相应的计算
* C1：获取xin的i个地址
* C2：读取xin[i]中的数据
* C3：完成相应的计算
* ...
*循环结束
*
*循环开始
* ...
* */
/*
* for循环一次需要3个时钟周期，就是上边的 C1，C2，C3
* 那么这个3就是LOOP iteration latency.（iteration：迭代）
*
* i次for循环与i+1次for循环的间隔是3，那么LOOP iteration Interval(LOOP II)也是3
*
* loop latency =3*N,也就是循环次数N与单次循环所占的时钟周期的乘积
*
* 如果loop latency 加上取b，c两数的时钟周期，就是整个function latency=3*N+1
*
* 从这个函数的第一次初始化开始，到下一次初始化结束，这个称之为函数初始间隔（interval）
* 那么function initial interval(Function II)=11
*
* */
loop:
for(i=0;i<N;i++){
yo[i]=a*xin[i]+b+c;
}
}
点击C synthesis就能查看生成后的综合报告了。函数的initial interval =10，这证明软件版本有所优化了。
如果想要查看仿真波形，编写一个简单的main.c。这个main是不规范的，规范的测试文件需要与真实值对比，进而让函数返回0（正确）还是其他值（错误）。
#include "stdio.h"
#include "for_opt.h"
db_t a=1,b=2,c=3;
dx_t aa[N]={1,2,3};
do_t yo[N];
int main(){
foo(aa,a,b,c,yo);//传递数组中的数据时，要用地址作为接口
return 0;
}
运行C/RTL联合仿真。选择all,等待完成。
对于for循环常见的优化就是pipeline，在directive窗口中选中for循环的的标志，然后选择pipeline即可。如图：
为什么要用pipeline呢？看个图就明白了：
也就是说，可以使FPGA尽可能的同步的处理大量的数据。（在第i次循环处理第m步的时候，第i+1次循环正在处理m-1步）
除了pipeline也可以对for循环unrolling(展开、铺开)。因为for循环在默认情况下是折叠的。所谓折叠就是：每次循环都是采用的同一块电路，只是电路被分时复用了。所谓展开就是把这一块电路复制了，可能复制成N份，也可能复制成N/2份（我们是可以选择的）。
比如在一个循环次数为6的for循环中，可以把它展开成3个for循环，每个for循环只计算2步。（个人认为，在for循环很长的时候，可以采用此方法）
循环变量i（请注意是循环变量i）
声明成int i;和声明成ap_int<4> i;在生成后的模块中所占用的资源是不变的，变量的范围决定了资源量，并不是声明类型决定了资源量。
二、for循环的合并（MERGE）
假如有两个毫不相关的for循环，我们期望的电路如右边所示。
但实际上，这两个for循环是串行执行的，只有先执行完加法才能执行减法(循环都是8，for循环的切换需要额外的时钟周期)。
这时候我们希望能对这两个for循环合并。在合并之前，需要理解一个新的概念，那就是region.比如：loop_region{},在两个花括弧之间就是这个region,有了region才能对for循环进行合并（MERGE）。
合并循环能够在一定程度上降低latency,并且消耗的资源更少。
如果循环边界不同呢？
合并之后的trip count变成了4（max={N,M}）
如果两个for循环的边界分别是一个常数和一个变量（variable），应该怎么处理呢？
这时候是不能直接进行合并的。
如果循环边界都是变量：
这时如果强行合并也会显示错误信息。
如果想要合并，应该采取以下的处理方法（这里假设有：J<K）：
三、for循环优化之DATAFLOW
首先来看个简单的例子，正常的流程肯定是执行完A再执行B最后执行C：
如果按照上图的流程，肯定是串行处理的。这里就能用到dataflow了，给出简易的优化图：
降低latency提高了数据吞吐率。
Dataflow使用的时候是有限制的，这里也举两个例子：
例1：当loop1输出一组数据，被两组循环引用的时候是不能用dataflow的：
如果中间添加一个loop_copy是可以对上述例子进行优化的（loop_copy仅仅是吧temp1拷贝成了temp2和temp3两份数据，两个输出对应两个输入）：
例2：loop1输出的两个数据一个绕过了loop2一个没有绕过loop2,输出的数据被loop3使用，这时不能用合并。也不能用dataflow.
解决方案就是loop2中添加了一个copy模块，这样就能用dataflow了。
对于ABC之间的通道的类型是啥样的呢，我们可以配置。可以是ping-pong RAM也可以是FIFO。如果参数是个scalar（标量）、pointer（指针）或reference（引用）那么HLS会把它归类为FIFO。如果参数是个数组，通道的类型可能是FIFO（数据流是按顺序）也可能是RAM（这时就会把通道变成一个ping-pong RAM）。
可以选择默认的配置方式，当然我们也可以通过工具来设定这个通道是ping-pong RAM还是FIFO（注意FIFO的深度）。
四、嵌套for循环的优化
嵌套for循环分为以下几种：
- perfect loop nest
- semi-perfect loop nest
- imperfect loop nest(1)
- imperfect loop nest(2)
1.perfect loop nest的优化
举个优化perfect loop nest的例子.只对内部做流水处理和只对外部做流水处理的结果如下：
结果这样是因为，我们对外部的循环做流水，内部的循环也会跟着做流水，因此这时候所消耗的资源有所增加。
如果我们只对内部的循环做流水，trip count变成了8.
2.imperfect loop nest的优化
（1）对最内层做流水
如果只对product部分（最内层）做流水，结果如下图：
（2）对中间层做流水
如果只对col部分（中间层）做流水，这时候就trip count成了9.
（3）对最外层做流水
如果对最外部的for循环做流水，这时候的trip count是最小的。但是DSP48消耗的也是最多的。
（4）3种优化方式的对比
不加任何约束、最内部、中间层、最外层4种情况作比较，资源和速度的对比（可以发现中间层优化效果的性价比最高）：
（5）矩阵乘法的优化
实际上我们可以对矩阵乘法做出优化，首先看矩阵乘法的流程，在这个流程中a和b取值都取了27次，一共取值51次：
因此在Xilinx官方的例程中给出了矩阵乘法优化的代码。将a矩阵的每一行和b矩阵的每一列都做了个缓存。这样做的好处是避免端口重复多次读取数据，减少了寻址的次数，从而加速了矩阵运算的过程。
优化后的流程以及自己做的流程图（也不知道理解的对不对）：
五、for循环的其他优化方法
1.for循环的并行性
For循环的并行执行。Merge是可以的（如果两个循环次数不一样就不能并行执行了）。
上述执行后的latency结果是一致的,但是资源节省了一半。
采用allocation可以使两个函数并行执行。
ALLOCATION instances=Accumulator limit=2 function
这个语法就是把Accumulator这个函数复制了2份。结果如下（pipeline + allocation）：
2.在循环流水中使用rewind
Rewind的优化：
从综合的结果来看，pipeline + rewind还是具有很大优势的：
如果一个函数中包含了多个for循环，这时是不能执行rewind的。
3.for循环边界是变量时候的处理方法（3种）
循环边界是变量的时候：
如何处理这种情况呢？
（1）使用tripcount指令
Tripcount不会影响综合后的结果，不对综合做任何优化，只是比较不同的solution比较方便。
（2）定义循环边界用ap_int<W>/ ap_uint<W>
循环最边界LOOP_N定义成ap_int<W>,那么trip count的最大值是15.使用这种方法，能大大减少资源的使用。
（3）使用assert语句
//loop_n是循环边界，是变量
//LOOP_N是循环次数最大不能超过的值
assert(loop_n<LOOP_N);
（4）上述三种方法的对比
三种方法的对比（很显然assert这种方式，是最好的）：
