实验步骤
1. 编写脉动阵列IP核
首先，利用实验包systolic_hls目录下的源文件，自行建立脉动阵列的Vivado HLS工程。
在理解脉动阵列结构及其工作机制的前提下，根据代码注释提示，完成systolic_array.cpp。
请注意 
实验包的systolic_array.cpp包含有 2个版本 的脉动阵列，一个是Size-Limited version，另一个则是Size-Free version。前者最大只能支持2个矩阵的相乘，后者则通过矩阵分块实现了任意大小矩阵的相乘。
实验时，应当尽可能完成Size-Free version的脉动阵列。如果只完成了Size-Limited version，则仅能得到基础的一小部分分数。
友情提醒 
在systolic_array.cpp中，函数gemm_kernel仅实现了通用矩阵乘法。为了支持卷积操作，需要在输出结果（即copy_result函数）时，为乘法结果加上偏置（bias）。
请同学们在理解脉动阵列实现卷积的原理的基础上，结合实验2-实验原理-2.3 Tiny YOLOv2算法和网络模型中的三维卷积伪代码，自行实现copy_result函数。
代码编写完成后，参考实验1-实验步骤-1.利用HLS生成IP核，对脉动阵列进行CSim仿真。确认代码功能正确后，进行综合、导出RTL，最终得到脉动阵列IP核。
2. 构建Overlay
参考实验1-实验步骤-2.创建Block Design，利用自己生成的脉动阵列IP核，以及实验包的池化IP核，自行搭建Block Design、生成比特流，并导出Overlay。
将导出的Overlay重命名为mnist_systolic，并拷贝到实验包的systolic_app目录中。
将实验包的systolic_app目录拷贝到PYNQ-Z2的~\jupyter_notebooks目录下。
3. GEMM测试
将实验包中的systolic_app.zip上传到Jupyter并解压。
点击进入systolic_app文件夹，运行systolic_gemm.ipynb以测试脉动阵列IP核的性能，记录下此时获得的加速比。
请注意 
如果仅实现了Size-Limited version的脉动阵列，则测试时需要修改测试矩阵的行数和列数，使其不超过180。
4. HLS Directive优化
回到脉动阵列的Vivado HLS工程，参照实验2-实验原理-4.HLS优化，使用HLS Directive对脉动阵列进行优化。
优化后继续进行综合、导出RTL，得到新的脉动阵列IP核。然后将IP核更新到所构建的Block Design中，重新生成比特流，然后导出新的Overlay。
用新的Overlay再次运行GEMM测试，记录下次数获得的加速比，并与优化前进行对比。
5. 运行卷积测试
优化完成后，补全systolic_conv.ipynb中关于im2col操作的部分，然后运行卷积测试。
6. 运行CNN
通过了GEMM测试和卷积测试后，补全mnist_cnn.ipynb中的相关代码，并运行测试。
将systolic_app.zip的data目录中的1.jpg拷贝出来，使用“画图”软件打开，如图2-1所示。
使用橡皮擦工具擦除原来的数字，并使用刷子绘制任意数字，保存1.jpg文件。
将新的1.jpg上传到systilic_app/data目录，并再次运行推导部分的代码。此时，程序将对刚刚绘制的数字进行识别，如图2-2所示。
