参考资料 Xilinx User Guide: pg022_axi_datamover AXI Datamover IP 概述 （这次主播决定从官方手册出发，仔细研读手册内容从而达到能够独立开发该IP的目的。） AXI DataMover和AXI DMA的功能非常相似，都是为在AXI4 memory-mapped（AXI4存储器映射）和AXI4-Stream domains（AXI4流数据）之间提供高吞吐的数据传输。该IP核的MM2S(即Memory-map to Stream)和S2MM(即Stream to Memory-map)通道独立运作，整体通信是全双工的。 **内存映射（Memory Mapping）**是一种将文件内容映射到进程的虚拟地址空间的技术。在这种机制下，文件可以被视为内存的一部分，从而允许程序直接对这部分内存进行读写操作，而无需传统的文件 I/O 调用。这种方法不仅简化了文件操作，还提高了处理效率。支持4KB的边界保护以及自动拆解太长的burst AXI Stream: 一种高速流传输的AXI总线协议，详情见ARM官方手册：AMBA AXI-Strea ...

0. 参考资料 Xilinx PG021 AXI IP手册 AXI DMA示例程序：axidma: Vitis Drivers API Documentation 1. AXI DMA概述 AXI DMA即利用AXI接口的Direct Memory Access（直接内存访问），为内存和AXI-Stream流的外设之间提供高带宽内存访问。其功能框图如下图所示： 其中有两类访存数据的接口：Memory Map和Stream。Memory Map（存储映射）的接口是负责读取存储空间（如DDR）的数据（本质是AXI4-Full接口），经过DataMover之后转换成AXI Stream数据（或主或从）。AXI4 Control Strea、AXI4 Memory Map Write/Read 和 AXI4 Stream是Scatter/Gather功能下的接口。AXI-Lite为AXI总线的配置接口。 2. AXI DMA时钟接口介绍 本IP Core共有四个时钟输入： Signal Ports Description m_axi_mm2s_aclk 用于MM2S接口 ...

1. Drivers of Progress in AI and Silicon Valley’s Al Innovation by Piero Scaruffi 人工智能发展的驱动力是 1. 硬件；2. 数据集；3. 开源；4. 国际合作 2. 通用大模型赋能新质生产力 by 乔宇 上海AI Lab 书生系列大模型：intern-ai 3.

1. Introduction 学习路线：Design Abstraction->Design Automation(EDA)->Design Re-use(IP); General Design Approach Divide and conquer 分解问题 数学建模 合理使用工具链 验证测试 再思考（回到开头） 设计的抽象化 系统级（system level） 寄存器传递层级（RTL，register transfer level）->Verilog/SpinalHDL 门级（gate level） 三极管层级（transistor level） 布局（layout level） 掩膜（mask level） 或者在VLSI的实际设计过程中，分为以下级别： 应用级 算法级 编程语言层 操作系统/虚拟机层 指令集结构层 微架构层 RTL 电路 元件（三极管） 物理定律 EDAs in VLSI RTL Verilog Synthesis Cadence Genus Place and route Candence Innovus Sta ...

References Vitis AI手把手教你如何部署自己的模型：Developing a Model, Vitis AI Vitis AI Manual - Compiling the model Introduction about NAS NAS （Network Attached Storage：网络附属存储）按字面简单说就是连接在网络上，具备资料存储功能的装置，因此也称为“网络存储器”。它是一种专用数据存储服务器。它以数据为中心，将存储设备与服务器彻底分离，集中管理数据，从而释放带宽、提高性能、降低总拥有成本、保护投资。其成本远远低于使用服务器存储，而效率却远远高于后者。 这次要聊的NAS概念，算是比较新兴，全称Neural Architecture Search，神经架构搜索。作为自动化机器学习（AutoML）的一个部分，NAS旨在让设计特定任务的神经网络架构变得更加自动化，更加地智能。 机器学习这一个强大的数据处理流水线上，不管是何种算法，绝大部分都贯穿着 💾数据清洗(data cleaning) ⚒️特征加工与选择(feature engineerin ...

参考文献 Slides

EMS-YOLO的工程结构 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758EMS-YOLO├─ .ipynb_checkpoints├─ LICENSE├─ README.md├─ __pycache__├─ data├─ detect.py├─ environment.yml├─ export.py├─ firerate10_5.npy├─ g1-resnet├─ hubconf.py├─ models # 网络模型文件│ ├─ __init__.py│ ├─ common.py│ ├─ common_origin.py│ ├─ experimental.py│ ├─ res10-ee.yaml│ ├─ res18-ee.yaml│ ├─ res18-eebk.yaml│ ├─ res18-sew.yaml│ ├─ resnet10.yaml│ ├─ resnet18.y ...

Reference [1] H. Cho, T. Kim, Y. Jeong, and K.-J. Yoon, “TTA-EVF: Test-Time Adaptation for Event-based Video Frame Interpolation via Reliable Pixel and Sample Estimation,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 25701–25711. [2] J. Dong, K. Ota, and M. Dong, “Video Frame Interpolation: A Comprehensive Survey,” ACM Trans. Multimedia Comput. Commun. Appl., vol. 19, no. 2s, May 2023, doi: 10.1145/3556544. [3] O. S. Kılıç, A. Akman, a ...

参考文献 (带标注，仅供参考) 方法 1. Hidden neuron的稀疏化 一个通用的表示图像恢复任务的神经网络表示为如下: （为什么如此建模作者在Related Works中有描述） Y=W2∗F(W1∗X)\mathbf{Y} = \mathbf{W_2} * \mathcal{F}(\mathbf{W_1} * \mathbf{X}) Y=W2​∗F(W1​∗X) Notes Description Connections w.r.t image restoration tasks X\mathbf{X}X 输入图片 以图像超分为例，代表输入的低分辨率图片 Y\mathbf{Y}Y 输出图片 以图像超分为例，代表输出的高分辨率图片 F(⋅)\mathcal{F}(\cdot)F(⋅) 神经网络中的非线性激活函数 一种稀疏表示的方式，但文章中认为不是很高效 W1\mathbf{W_1}W1​ 卷积核1 线性投射到高维空间的基矩阵（或者说是投射的token，作为基底来表示用token线性组合，即图片本身） W2\mathb ...