XC6VLX550T-3FFG1760C_XC5VLX85-2FF676I导读

而AMD和Xilinx方面，则一直以来合作紧密，此前为AMD EPYC（霄龙）数据中心处理器提供的NVMe
HA，NVMe TC以及Embebded
RDMA等一系列面向存储系统的IP，可以帮助AMD构建低延时的高效数据通路，从而实现高效的FPGA的存储加速功能。事实上，类似的剧情早在2015年就已上演，当年Intel（英特尔）以167亿美元收购了FPGA制造商Altera，而Altera则也顺势为Intel后续的“CPU+xPU（GPU+FPGA+ASIC+eASIC）”战略提供了最坚实的基础。

研究表明，温度降低20℃可使芯片总体寿命延长10倍。电压和温度控制
如图1所示，降低电压和温度均可显着减少漏电流。温度降低20℃可减少漏电功耗25%以上。结温可以用散热器和气流等冷却方案来降低。电源电压降低5%
就可降低功耗10%。目前的FPGA不支持大范围电压调整，推荐的电压范围通常是±5%。降低温度还可呈指数提高芯片的可靠性。通过改变电源配置，很容易调整电源电压。

XC6VLX760-2FFG1760I

最终，Softnautics
将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。它使用 N2Cube 软件在处理侧（PS）运行。图像预处理/后处理通过
Vivado 使用 HLS 实现，而 Vitis 的作用是使用连接文本提议网络（CTPN）完成推断。Softnautics 采用了赛灵思 Vitis AI
堆栈并运用该软件提供加速，开发出混合应用，同时实现了 LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。

例如，图像可能需要完成解压缩和缩放后才能符合 AI 模型的数据输入要求。与 AI 推断实现方案类似，非
AI 的预处理和后处理功能开始需要某种形式的加速。此外还有第三个挑战，而这也是较少为人所知的一个，其出现的原因在于 AI 推断无法单独部署。真正的 AI
部署通常需要非 AI 处理，无论是在 AI 功能之前还是之后。这些传统的处理功能必须运行在与 AI 功能相同的吞吐量下，同样需要实现高性能与低功耗。

随着人类语言书写形式的演进，已经发展出数千种独特的字体系。再加上大小写（大写/小写/全大全小/小型大写）、斜体（意大利体/罗马体）、缩放体（横向缩放）、粗细、指定大小（显示/文本）、波痕体、衬线（总体分为衬线体和无衬线体），这一数量可以扩充到数百万，使得文本识别成为机器学习领域中一个振奋人心的专业学科。

。如今，赛灵思丰富多样的强大平台已为 70% 的新开发提供支持，引领着基于 FPGA
系统的设计发展趋势。Softnautics 之所以选择赛灵思技术来实现这个解决方案，是因为它同时集成了 Vitis? AI
堆栈和强大的硬件功能。

XC6VLX195T-3FFG784C

XCV1000E-8FG1156C XCV1000E-8BGG560I XCV1000E-8BGG560C
XCV1000E-8BG560I XCV1000E-8BG560C-0773 XCV1000E8BG560C0773 XCV1000E-8BG560C
XCV1000E8BG560C XCV1000E-8BG240I XCV1000E-8BG240C XCV1000E-7HQ240I
XCV1000E-7HQ240C XCV1000E-7FGG900I XCV1000E-7FGG900C 。

XCV1000E-7FGG860C XCV1000E-7FGG680I XCV1000E-7FGG680C
XCV1000E-7FGG1156I XCV1000E-7FGG1156C XCV1000E-7FG900I XCV1000E-7FG900C
XCV1000E-7FG860I XCV1000E-7FG860C XCV1000E-7FG728C XCV1000E-7FG680I
XCV1000E-7FG680C XCV1000E-7FG240I XCV1000E-7FG240C XCV1000E-7FG1156I
XCV1000E-7FG1156C 。

XC6VLX365T-3FFG1759C XC6VLX550T-1FF1760C
XC6VLX550T-1FF1759I XC6VLX365T-3FF1156C XC6VLX550T-1FF1760I XC6VLX550T-1FFG1760C
XC6VLX550T-1FFG1759I XC6VLX550T-1FF1759C XC6VLX240T-3FF1156C
XC6VLX240T-2FFG1759I XC6VLX240T-2FFG1759C XC6VLX240T-1FFG1759I
XC6VLX240T-1FFG1759C XC6VLX240T-1FFG1156I XC6VLX240T-1FFG1156C
XC6VLX240T-2FF1759I XC6VLX195T-2FFG784C XC6VLX195T-3FF1156C XC6VLX195T-3FF784C
XC6VLX240T-2FFG1156I XC6VLX240T-2FFG1156C XC6VLX240T-2FF784I XC6VLX240T-2FF784C
XC6VLX240T-3FF1759C XC6VLX240T-1FF784C XC6VLX240T-1FF1759I XC6VLX195T-1FFG784C
。

XC7K410T-2FFG900I XC7K410T-2FFG900C XC7K410T-2FFG676I
XC7K410T-1FFG900I XC7K480T-1FFG1156I XC6VLX550T-3FFG1760C XC6VLX75T-1FFG784C
XC6VLX75T-1FFG484I XC6VLX75T-1FFG484C XC6VLX75T-1FF784I XC6VLX365T-3FF1759C
XC6VLX365T-3FFG1156C XC6VLX365T-2FFG1156C XC6VLX550T-2FF1760I
XC6VLX550T-3FFG1759C XC6VLX550T-3FF1760C XC6VLX550T-3FF1759C
XC6VLX550T-2FFG1760I 。

我们通过快速角点的例子，说明通常用VivadoHLS实现OpenCV的流程。当然，这些可综合代码也可在处理器或ARM上运行。首先，开发基于OpenCV的快速角点算法设计，并使用基于OpenCV的测试激励仿真验证这个算法。最后，将改写的OpenCV设计中的函数，替换为HLS提供的相应功能的视频函数，并使用VivadoHLS综合，在Xilinx开发环境下在FPGA可编程逻辑或作为Zynq
SoC硬件加速器实现。接着，建立基于视频数据流链的OpenCV处理算法，改写前面OpenCV的通常设计，这样的改写是为了与HLS视频库处理机制相同，方便后面步骤的函数替换。

为了推动灵活的计算，维克托彭，沉默将推出一个新的系列产品类型，AcP(自适应计算加速平台)。在第二大战略方面，沉默将加速主流市场的增长，支持汽车、无线基础设施、有线通信、工业和消费电子等领域的客户快速增长。如果FPGA是一种产品类型，并且其中包含多种模式，则ACAP是一个可以与CPU和GPU相比较的产品类型个体，帮助我们实现智能互联和灵活的世界。彭先生强调赛灵思可以参与从一个端到另一个云的过程，这是一个独特的优势，它能够实现从端到云的全面覆盖。