深度学习是机器学习的一个分支，它试图通过模拟人脑的神经网络结构来实现对数据的学习和理解。深度学习的核心思想是通过多层次的神经网络（深度神经网络）来学习输入数据的表示，从而使得计算机能够执行各种任务，如图像和语音识别、自然语言处理等。
鉴于DNN 在研究和技术方面的巨大投资，很明显，DNN 作为首选解决方案的适用范围，将会继续迅速扩大。然而，在可预见的未来，许多应用将通过传统技术（包括其他形式的机器学习）或通过深度学习和传统算法的组合，来获得最好的解决方案。接下来，我们就一起了解一下，深度学习在机器视觉中的典型应用。
赛灵思宣布推出全功能医疗 X 射线分型深度学习模型和参考设计套件，这是赛灵思与 Spline.AI 及亚马逊网络服务（AWS）强强携手共同取得的合作成果。这种高性能模型部署在赛灵思 Zynq® UltraScale+™ MPSoC ZCU104 器件之上，并采用了赛灵思深度学习处理器单元（DPU）。该 DPU 是一种软 IP 张量加速器，它的强大功能足以支持运行各种神经网络
深度学习的突飞猛进，给GPU插上了腾飞的翅膀，英伟达和AMD的显卡成为人工智能的「硬通货」。但是GPU固有的一些缺陷，让它的大规模应用受到约束，更加抗造的FPGA有望成为AI新的「底层建筑」
Xilinx® 深度学习处理器单元（DPU）是专用于卷积神经的可配置计算引擎网络。引擎中使用的并行度是设计参数，可以根据需要选择目标设备和应用程序。它包含一组高度优化的指令，并支持大多数卷积神经网络，例如 VGG、ResNet、GoogLeNet、YOLO、SSD、MobileNet、FPN 等
PowerAI Vision 使具有深度学习的计算机视觉更易为企业用户所用。现在，您可在 Xilinx® Alveo™ FPGA 上部署 POwerAI Vision 模型，并了解如何将 Vitis™ 库集成至面向 Vision AI 任务的整个工作流程中。
米尔科技的FZ3是与百度紧密合作推出的一款基于Xilinx Zynq Ultrascale CZU3EG芯片打造的深度学习计算卡，芯片内部集成了4核ARM A53处理器+GPU+FPGA的架构，具有多核心处理能力、FPGA可编程能能力以及视频流硬件解码能力等特点。
本次演讲，就目前比较火热的视觉传感器和激光雷达来进行阐述和讨论。还将介绍赛灵思汽车级器件的产品路线、传感器的发展趋势、神经网络在视觉中的加速等。另外，赛灵思在前视系统、环视系统、激光雷达中的应用与解决方案也将一一与您展示。
赛灵思全球分销合作伙伴——全球领先的技术解决方案提供商安富利公司亚洲宣布，其和 AI 软件领域的创新企业 Mipsology 达成协议，将向其亚太区客户推广和销售 Mipsology 的独特的 FPGA 深度学习推理加速软件 —— Zebra 软件平台
深度学习 AI 应用是解锁生产力新时代的关键，人类的创造力能够通过机器得到提高与增强。我们致力于将大量培训数据和海量数学运算用于全面训练每个神经网络。训练可使用大规模批处理功能离线进行，历时数天。经过训练的网络要投入部署，那就面临严格得多的时限要求。
本文首先介绍深度学习中的YOLOv2-Tiny目标检测算法，然后设计对应的硬件加速器，并且就加速器中各模块的处理时延进行简单建模，给出卷积模块的详细设计，最后，在Xilinx公司的Zedboard开发板上进行评估。