hi94的博客

本文分享了了 PYNQ 平台中关于中断处理和AXI Timer的配置与使用。PYNQ 中断类的基本概念和操作方式，包括中断的启用、等待和清除。AXI Timer 的关键功能，如计时器的加载、计数方式（向上或向下计数）以及中断生成，同时也提到了级联模式和生成/捕获模式的实际应用场景。AXI 中断控制器（INTC）的配置和中断处理机制，如何通过 PYNQ 框架使用 Python 的异步编程模式处理硬件中断。

这篇文章主要讲述了在 KV260 上使用 Jupyter Lab 进行 U 盘挂载 和 数据传输 的具体操作步骤。以下是关键点：查看 USB 设备：使用 lsusb 命令查看连接的 USB 设备信息。查看 U 盘设备节点：使用 fdisk -l 命令查看 U 盘的设备节点和分区信息。挂载 U 盘：提供了将 U 盘挂载到常规目录和 PYNQ 主目录的具体命令。查看挂载状态和卸载 U 盘：使用 df 命令查看挂载状态，并提供卸载 U 盘的命令。

本文分享在 PYNQ 框架下，AXI VDMA 驱动的部分实现细节，重点分析帧缓存的管理和使用。重点分析了 _FrameCache 和 _FrameList 类的实现与功能。这些类用于管理帧缓存，包括内存分配、帧获取、所有权管理等操作，确保高效的视频数据处理和传输。

基于 KV260 + PCAM_5C 构建视频通路，通过 PYNQ 可视化图像，用以进一步处理图像数据，从 MIPI 至图像数据，包括如下要点：在 PYNQ 下通过 IIC 配置 OV5640配置 MIPI CSI-2 Rx subsystem 经验汇总AXI4-Stream 基础设施配置 Sensor Demosaic经验汇总配置 AXI VDMA经验汇总Sensor OV5640 时钟树图像数据流波形抓取

本文介绍在 Block Design 中添加Aurora 8B/10B IP 并加以调试。使用 Streaming 接口使用 VIO 控制回环方式探究收发器的位置信息共享逻辑和例化模板附带 Block Design 的 TCL 代码

本文分享在 ZCU102 和 ZCU106 板卡上使用 IBERT Ultrascale GTY进行眼图测量的示例。

本文分享了使用 JTAG to AXI Master 调试 DDR4 IP 的过程。要点：使用JTAG to AXI Master 直连 DDR4 IP添加 HLS IP 初始化 DDR4 IP格式化显示传输事务保存传输事务记录

了解 Utility Buffer v2.2 中的 Buffer，重点分析 IBUFDS 和BUFGCE_DIV分析Processor System Reset v5.0分析按键消抖模块（key_mod）了解与 ILA 相关自动生成的约束

JTAG to AXI Master 功能简介；在 Vivado 中添加该 IP；基本 TCL 操作命令；三个示例（​​​​​​​通过JTAG to AXI 控制 AXI GPIO；通过JTAG to AXI 控制 AXI IIC；通过JTAG to AXI 控制 HLS IP Core）

本文讨论在 PYNQ 框架下，使用 Python 驱动 Vitis HLS Kernel。使用 Registermap 也可以完成驱动，即直接操作所有寄存器。通过Python 方式编写的驱动更直观，可以理解为对Registermap 的封装。Registermap 和Python 驱动，底层都是调用 MMIO 的读写。

pybind11 介绍、Jupyter Lab 中的快速编译和加载、使用编译器链接器标志、pybind11 的基本用法、pybind11 的类的绑定用法、vart::Runner 类的 Python 绑定源代码解释。

例程: dpu_resnet50.ipynb。介绍 DPUOverlay 类及其在 PYNQ 中的作用，包括加载比特流和模型、管理 DPU 运行时等功能。解析图像预处理流程，包括调整图像大小、均值归一化以及中心裁剪等步骤，确保输入数据符合模型要求。标签读取、图像读取和推理执行的过程，强调内存管理与数据结构的使用。介绍与 DPU 相关的类和库，如 VART，以便更好地理解整个推理流程及其背后的实现机制。

本文主要涉及关键信息：获取数据集的标签、保存和读取类别标签、加载模型并推理、绘制图像、使用中文标签、置信度柱状图。

本文分享 Tiny-VGG 项目的代码解析，对于冗余部分，进行了删减。主要内容包括：图像数据预处理；手动计算：训练损失、训练准确度、验证损失、验证准确度；自定义训练循环；数据集加载器；修正目录；计算图。

本文介绍了量化基本概念，如映射函数、量化参数、校准方法以及对称与非对称量化的区别，探讨了Per-Tensor和Per-Channel量化策略，以及训练后静态量化（PTQ）和量化感知训练（QAT）的应用。

在本学习笔记中，笔者探讨了不同深度学习框架下构建线性回归模型的方式，主要集中于 TensorFlow 和 PyTorch。通过使用 Keras 的 Sequential 和 Functional API，我们展示了两种模型构建方式的特点与适用场景。Sequential API 适合简单的线性堆叠模型，而 Functional API 则提供了更大的灵活性，适用于复杂的网络结构。

1).介绍和使用 TensorBoard；2).解释 Epoch、Batch、Iteration；3).解释训练循环中的梯度累加

我希望通过文章进行技术交流，与更多志同道合的朋友分享我的心得和体会。未来，我希望继续在技术创作的道路上前行，不断提升自己的技术水平和创作能力。创作已经成为我生活的一部分。通过合理安排时间，我能够在工作之余抽出时间进行创作，记录下自己的技术成长和心得体会。通过创作，我结识了许多志同道合的领域同行，大家在技术交流中互相学习，共同进步。在这段时间里，尽管还有很多需要学习和提升的地方，我还是取得了一些小小的进步。

这篇文档介绍了一个名为CNN Explainer的交互式可视化系统，旨在帮助非专业人士学习卷积神经网络（CNN）。该系统通过直观的方式展示了CNN的工作原理，使用户能够更好地理解复杂的神经网络结构和运算过程。