|
一大波 AI/ML 工具與素材更新！
ML Suite V1.4 更新
賽靈思機器學習套件（ML Suite） v1.4 已於 5 月 24 日發布，主要更新功能包括：
• DECENT 量化器的集成
• xfDNN Runtime API 已升級，可支持多輸出網絡
• 簡單易用的增強功能
- 支持 Docker 鏡像
- 支持 Caffe 的自定義 Python 層
- 用於網絡權重的 HDF5 格式
• 增加對新模型的支持
此外，還有一個新的基準測試應用，使用戶能夠更好地了解端到端系統性能，如下所示。
想要開始嗎？
從這裡開始：https://github.com/Xilinx/ml-suite
版本說明：https://github.com/Xilinx/ml-suite/blob/master/docs/release-notes/1.x.md
向下滾動到“入門指南”，並按照步驟操作
DPU 參考設計更新
賽靈思 DPU 參考設計已在 Xilinx.com 上進行了更新。它支持從 B512 到 B4096 的所有配置的最新 DPU。與之前的版本相比，它能支持更多層，如 Depthwise Conv、Relu6、Average Pooling 和 Softmax，所有這些都在硬件中。這使得 DPU 更加通用，增強對 Mobilenet 等新型號的支持。
您可以在這裡下載：
https://www.xilinx.com/member/forms/download/design-license-xef.html?filename=zcu102-dpu-trd-2018-2-190531.zip
我們建議您將參考指南與更新的 DPU IP 產品指南 PG338 結合使用，上述指南可在此處獲得：
https://www.xilinx.com/support/documentation/ip_documentation/dpu/v2_0/pg338-dpu.pdf
請將此參考設計與最新的 DNNDK v3.0 一起使用。
https://www.xilinx.com/member/forms/download/dnndk-eula-xef.html?filename=xlnx_dnndk_v3.0_190531.tar.gz
PG338 的表 7 已更新受支持層的硬件約束的相關信息，其可用作定制模型的部署指南。
輔助材料更新
帶有 Darknet 到 Caffe 轉換器及賽靈思 DNNDK 的 Yolov3 教程 (UG1334)
YOLOv3 是目前最流行的對象檢測 CNN 之一。其是在一個名為 Darknet 的 ML 框架中開發的。要在 DNNDK 上運行它，您需要將其轉換為符合 Caffe 框架的格式。為此，您需要一個專門的 Darknet 到 Caffe 轉換器來生成 yolov3.prototxt 和 yolov3.caffemodel 文件，它們是 DNNDK 的輸入。
本教程描述了在使用賽靈思 DNNDK 2.0.8 版本對其進行量化並在ZCU102 目標板上運行之前，轉換 YOLOv3 CNN（最初在 Darknet 中使用 COCO 數據集（80 類）進行訓練）的過程。
從 Darknet 到 Caffe 的轉換支持 YOLOv2/tiny、 YOLOv2、 YOLOv3/tiny和 YOLOv3 基本網絡。
我們已在此賽靈思 Github 位置發布了詳細教程與所有項目文件：
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/Darknet-Caffe-Conversion
以下是本教程的截圖
使用 TensorFlow 和 DNNDK v3.0 的 MNIST 和 CIFAR10 分類器
我們已在賽靈思的 Github 上發布了有關使用 DNNDK v3.0 TensorFlow 設計流程來創建 DPU elf 文件的兩個教程。它們對演示如何使用 DNNDK 在賽靈思平台上部署 Tensorflow 模型有所幫助。
教程位於：
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/MNIST_tf
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/CIFAR10_tf
Jupyter Notebook 的 Python 實現腳本均可用。
閱讀原文
|
