🟣دوره های آموزشی برد AX7Z020 : پروژه محور ، قدم به قدم و رایگان!
به همراه برد توسعه AX7Z020 ، چهار دوره آموزشی پروژه محور بصورت رایگان در اختیار شما قرار میگیرد که مباحث مقدماتی تا پیشرفته در حوزه تراشه ZYNQ را بطور کامل به همراه ذکر جزئیات کامل پوشش میدهد . دوره های این محصول به شرح زیر میباشد :
1️⃣ دوره اول : آموزش های مقدماتی و راه اندازی
در این دوره 23 آموزش برای شروع کار برد زینک و نحوه کار با قسمت های مختلف نرم افزار ویوادو و راه اندازی بخش های مختلف را اموزش میبینید:
سرفصل آموزش های این دوره
1- اشنایی با نحوه راه اندازی برد FPGA
2- آشنایی با تراشه ZYNQ
3- آشنایی با محیط نرم افزار Vivado
4- راه اندازی پروژه LED سمت FPGA
5- پروژه ایجاد خروجی تصویر در بستر HDMI
6- یادگیری پروژه Hello world در سمت ARM
7- یادگیری واحد وقفه و شمارنده در سمت ARM
8- یادگیری PS MIO
9- یادگیری PS EMIO
10- یادگیری کار با AXI GPIO سمت PL
11- راه اندازی واحد گیگابیت اترنت (LWIP)
12- یادگیری ساخت IP اختصاصی
13- یادگیری استفاده از VDMA برای راه اندازی خروجی تصویر HDMI
14- آموزش نصب ماشین مجازی و Ubuntu
15- آموزش نصب نرم افزار ویوادو بر روی لینوکس
16- آموزش نصب پتالینوکس
17- آموزش نصب سرویس NFS
18- آموزش شخصی سازی لینوکس و پتالینوکس
19- آموزش توسعه برنامه های تحت لینوکس توسط SDK
20- راه اندازی پروژه GPIO تحت لینوکس
21- راه اندازی خروجی تصویر HDMI تحت لینوکس
22- آموزش استفاده از Debian 8
23- آموزش بوت لینوکس با حافظه فلش

2️⃣ دوره دوم : آموزش های تحت نرم افزار Vivado SDK
در این دوره 29 پروژه برای یادگیری راه اندازی پریفرال ها و کار با واحد های مختلف برد AX7Z020 و همچنین آموزش کار با کارت های جانبی همچون دوربین ، مبدل های آنالوگ به دیجیتال و دیجیتال به آنالوگ ، LCD و ماژول صدا را بصورت عملی فرا خواهید گرفت . در این دوره ، آموزش ها در هر دو سمت PL و PS میباشد و در ضمن یادگیری راه اندازی ، آموزش کار با توابع و سینتکس های کاربردی در هر بخش را نیز فرا خواهید گرفت :
سرفصل آموزش های این دوره
1- آموزش خواندن و نوشتن با پروتکل UART در سمت PS
2- آموزش کار با XADC و واحد ورودی های آنالوگ
3- آموزش خواندن و نوشتن تحت پروتکل I2C
4- آموزش خواندن و نوشتن تحت پروتکل CAN
5- تست و راه اندازی پروتکل RS485
6- آموزش خواندن داده های حافظه DDR توسط بخش FPGA . توجه داشته باشید که حافظه های DDR در سمت PS قرار دارند .
7- ارتباط بخش PS و PL توسط واحد BRAM
8- استفاده از هر دو هسته سمت PS در حالت AMP یا Asymmetric Multiprocessing
9- راه اندازی سیستم عامل Free RTOS تحت تراشه ZYNQ
10- یادگیری و تست DMA ( حالت DMA loop)
11- آموزش کار با کارت جانبی DAC و ایجاد یک مولد موج با کمک DMA (با استفاده از AN108)
12- آموزش کار با کارت جانبی ADC و ساخت یک اسیلوسکوپ با کمک DMA (با استفاده از AN108)
13- آموزش کار با کارت جانبی ADC و ساخت یک اسیلوسکوپ با کمک DMA (با استفاده از AN9238
14- آموزش کار با کارت جانبی ADC و ساخت یک اسیلوسکوپ با کمک DMA (با استفاده از AN706)
15- آموزش ساخت یک اسیلوسکوپ با روش Scatter/Gather با کمک DMA ( با استفاده از AN108)
16- آموزش استفاده از کارت جانبی DAC و یادگیری روش Scatter/Gather با کمک DMA ( با استفاده از AN9767)
17- یادگیری کار با دوربین OV5640 و نحوه دریافت تصاویر و نمایش آن با واسط HDMI
18- یادگیری دریافت تصاویر از دو دوربین OV5640 (ماژول AN5642) در کاربرد های بینایی ماشین
19- پروژه ترکیبی دریافت تصاویر با دوربین و انتقال آن در بستر Ethernet
20- یادگیری خواندن و نوشتن بر روی SD Card ( فرمت BMP)
21- آموزش خواندن و نوشتن تصویر دریافت شده از دوربین بر روی SD Card
22- آموزش دریافت و نمایش تصاویر با استفاده از دوربین OV5640 و درگاه MIPI
23- آموزش ضبط و پخش مجدد صدا با استفاده از ماژول AN831
24- یادگیری کار با ماژول LCD هفت اینچ (AN970)
25- آموزش کار با GUI و کنترل صفحه لمسی ماژولLCD
26- پروژه ترکیبی دریافت سیگنال آنالوک و انتقال در بستر Ethernet با استفاده از AN108
27- پروژه ترکیبی دریافت سیگنال آنالوک و انتقال در بستر Ethernet با استفاده از AN9238
28- پروژه ترکیبی دریافت سیگنال آنالوک و انتقال در بستر Ethernet با استفاده ازAN706
29- آموزش آپدیت فایل داخل حافظه فلش QSPI با استفاده از پروتکل TCP/UDP

3️⃣دوره سوم : آموزش های تحت نرم افزار Vivado HLS (اختصاصی برای برد AX7Z020)
در این دوره 12 آموزش برای فراگیری چگونگی کار با این نرم افزار و برنامه نویسی سطح بالا به همراه چندین پروژه کاربردی پردازش تصویر ارائه شده است .
سرفصل آموزش های این دوره
1- آشنایی با HLS و ایجاد پروژه
2- آموزش پروژه LED برای فراگیری بخش های مختلف یک پروژه
3- یادگیری پردازش ممیز شناور در HLS
4- پروژه Color Bar
5- یادگیری مدیریت خواندن و نوشتن در بافر (اطلاعات فریم ویدئو)
6- آموزش Image Scaling
7- یادگیری به نمایش آوردن کاراکتر مورد نظر بر روی نمایشگر
8- یادگیری تنظیم کنتراست تصویر
9- آموزش پروژه Auto Focus بر روی تصاویر
10- آموزش تشخیص لبه تصاویر
11- آموزش تشخیص گوشه تصاویر
12- آموزش تبدیل فوریه سریع (FFT)

4️⃣دوره چهارم : آموزش برنامه های تحت سیستم عامل Linux
در این دوره 8 آموزش و یک ضمیمه برای یادگیری چگونگی انجام پروژه در لینوکس و سپس فراگیری OpenCV ارائه شده است . سر فصل آموزش های این دوره به شرح زیر میباشد :
1- آموزش برنامه QT بر روی ZYNQ (نصب و ایجاد پروژه)
2- یادگیری نمایش تصاویر دوربین ( پروژه OpenCV)
3- آموزش کار با دوربین OV5640 (پروژه OpenCV)
4- فراگیری کار با ماژول LCD لمسی
5- آموزش راه اندازی و تست خواندن و نوشتن اطلاعات تحت AXI DMA
6- یادگیری نمایش شکل موج های دریافتی از ADC بر اساس DMA(بر اساس AN9238)
7- یادگیری نمایش شکل موج های دریافتی از ADC بر اساس DMA(بر اساس AN706)
8- ایجاد و اجرای برنامه پتالینوکس (petalinux)
9- ضمیمه : دستورات متداول لینوکس

🟣 شروع حرفه ای آموزش FPGA سری 7 و پردازش تصویر با مناسب ترین قیمت!
✅ ارائه شده با کامل ترین منابع آموزشی و متعلقات توسط مجموعه آرتمیس کاریا
برد AX7035 مبتنی بر تراشه XC7A35T که از خانواده ARTIX و از نسل هفتم تراشه های FPGA شرکت Xilinx میباشد ، راهکاری عالی برای شروع حرفه ای حوزه FPGA های نسل 7 با مناسب ترین قیمت میباشد . این برد با دارا بودن درگاه های HDMI ورودی و خروجی و همچنین ورودی دوربین MIPI ، این امکان را به شما میدهد تا پروژه های پردازش تصویر را به راحتی با حداقل هزینه پیاده سازی کنید . وجود دو درگاه توسعه 40 پین ، دسترسی شما به کارت های جانبی و یا هر مدار اختصاصی خودتان را فراهم میسازد . همچنین این برد دارای حافظه های DDR3 با ظرفیت 256MB و فلش QSPI با ظرفیت 16MB ،حافظه EEPROM و واسط TF card می‌باشد . وجود درگاه ارتباطی گیگابیت اترنت و USB 2.0 و USB UART امکانات این برد را در بهترین سطح ممکن قرار میدهد .
🟢 به همراه این برد ، متعلقات شامل پروگرمر ، آداپتور و کابل USB بصورت رایگان ارائه میشود
✅ شرح سرفصل آموزش های این برد در پست بعدی:

✅ به همراه برد توسعه ، آموزش های قدم به قدم ، کاربردی و حرفه ای برای تسلط بر روی حوزه های مختلف با استفاده از FPGA نسل هفتم ، ارائه میگردد . سرفصل آموزش های ارائه شده در ادامه :

۱ - آموزش نصب نرم افزار Vivado
۲ - آموزش راه اندازی یک پروژه مقدماتی (پروژه LED) و شبیه سازی پروژه در نرم افزار Vivado
۳ - آموزش پروژه کار با کلید های کاربری و تشخیص تغییر وضعیت کلید ها
۴ - آموزش کار با واحد PLL و نحوه ایجاد چندین فرکانس مختلف به صورت همزمان
۵ - آموزش کار با پورت سریال (UART) و نحوه ارسال و دریافت داده
۶ - آموزش نحوه پیاده سازی مدار denounce کلید های کاربری
۷ - آموزش کار با حافظه EEPROM و کار با پروتکل I2C برای ارتباط با این حافظه
۸ - آموزش کار با هسته حافظه ROM و نحوه استفاده از هسته های حوزه حافظه و نحوه خواندن و نوشتن بر روی حافظه ROM ایجاد شده
۹ - آموزش کار با هسته حافظه RAM و نحوه خواندن و نوشتن بر روی حافظه RAM ایجاد شده
۱۰ - آموزش کار با هسته FIFO و نحوه استفاده از FIFO خواندن و نوشتن بر روی بافر
۱۱ - آموزش کار با واسط حافظه SD Card و نحوه خواندن و نوشتن اطلاعات بر روی کارت حافظه
۱۲ - آموزش نحوه برنامه دهی خروجی HDMI و آشنایی با ساختار نمایش تصویر در واسط HDMI
۱۳ - آموزش خواندن و نوشتن اطلاعات در حافظه DDR3 ( کاربردی در حوزه پردازش تصویر)
۱۴ - آموزش ضبط صدا و پخش مجدد (Play back) بر روی FPGA با استفاده از ماژول AN831
۱۵ - آموزش نحوه نمایش کاراکتر دلخواه بر روی نمایشگر
۱۶ - آموزش نحوه خواندن اطلاعات تصویر از SD Card (فایل BMP) و نمایش بر روی واسط نمایش
۱۷ - آموزش نحوه دریافت تصاویر از دوربین OV5640 با استفاده از ماژول AN5640 و نمایش تصاویر ضبط شده
۱۸ - آموزش پردازش تصویر : کار با فیلتر SOBEL و آموزش تشخیص لبه اجسام
۱۹ - آموزش دریافت و پردازش سیگنال آنالوگ با استفاده از کارت جانبی AN9238 ( کارت ADC ) و نمایش سیگنال آنالوگ دریافتی بر بستر HDMI
۲۰ - آموزش کار با مبدل دیجیتال به آنالوگ با استفاده از کارت جانبی AN9767 و نمایش اطلاعات بر روی اسیلوسکوپ
۲۱ - آموزش دریافت و پردازش سیگنال آنالوگ با استفاده از کارت جانبی AN7606 ( کارت ADC ) و نمایش سیگنال آنالوگ دریافتی بر بستر HDMI
۲۲ - آموزش اندازی کارت AD/DA شامل مبدل آنالوگ به دیجیتال و دیجیتال به آنالوگ با استفاده از AN108
۲۳ - آموزش کار با نمایشگر هفت قسمتی (seven segment )
۲۴ - آموزش کار با سنسور lm75 قرار گرفته بر روی برد توسعه برای دریافت اطلاعات دمای پیرامون
۲۵ - آموزش راه اندازی واسط گیگابیت اترنت و انتقال اطلاعات بر بستر اترنت
۲۶ - آموزش دریافت و پردازش سیگنال آنالوگ ورودی از طریق کارت مبدل آنالوگ به دیجیتال AN9238 و انتقال داده ها بر بستر Ethernet
۲۷ - آموزش دریافت و پردازش سیگنال آنالوگ ورودی از طریق کارت مبدل آنالوگ به دیجیتال AN7606 و انتقال داده ها بر بستر Ethernet
۲۸ - آموزش دریافت و پردازش سیگنال آنالوگ ورودی و نمایش سیگنال آنالوگ خروجی با استفاده از کارت AN108 ( کارت AD/DA) و انتقال داده ها بر بستر Ethernet
۲۹ - آموزش انتقال تصاویر ویدئویی بر بستر گیگابیت اترنت
۳۰ - آموزش انتقال داده بر بستر سریال FTDI با استفاده از تراشه FT232H
🟣همچنین فایل مورد نیاز برای ایجاد میکروکنترلر Microblaze بر روی FPGA نیز در اختیار شما قرار میگیرد

⬆️ پس از فراگیری آموزش های فوق ، مهارت های لازم جهت کار با تراشه های FPGA نسل هفتم و پردازش سیگنال های رادیویی ، صدا و تصویر به صورت عملی و حرفه ای کسب خواهید کرد .

✅ جهت کسب اطلاعات بیشتر و خرید محصول از طرق زیر با ما در ارتباط باشید :
www.artemiskaria.ir
@Artemis_support
instagram.com/artemis.karia
021-66504165

نشانی محصول AX7035 :
https://artemiskaria.ir/ax7035/

سایر محصولات :
https://artemiskaria.ir/electronic-kala/

🔵 پیشنهاد تخفیف ویژه !
🔴 فقط تا چهارشنبه 15 دی ماه
به اطلاع علاقمندان و فعالین میرساند ، تا چهارشنبه این هفته ، پیشنهاد تخفیف ویژه بر روی دو محصول سری هفت از محصولات مجموعه آرتمیس کاریا قرار گرفته است .
1- برد آرتیکس هفت مدل XC7A35T به همراه متعلقات و آموزش
https://artemiskaria.ir/ax7035/
قیمت تا چهارشنبه : 7,200,000 تومان
2 - برد زینک 7000 مدل XC7Z010 به همراه متعلقات و آموزش
https://artemiskaria.ir/AX7010/
قیمت تا چهارشنبه : 7,200,000 تومان

🔴 توجه داشته باشید این پیشنهاد برای هر مدل تنها به تعداد محدودی اعمال میگردد و اولویت با افرادی می‌باشد که سفارش خود را قطعی کرده باشند

✅ جهت کسب اطلاعات بیشتر و خرید محصول از طرق زیر با ما در ارتباط باشید :
www.artemiskaria.ir
@Artemis_support
instagram.com/artemis.karia
021-66504165

‍ ‍ خوب حالا هرکدام از این سه نوع پردازنده چه ماهیتی دارند؟ قبل از این که به سراغ این داستان بروم خدمت تان باید عرض کنم به ادعای شرکت Xilinx این تراشه ها 20 برابر سریع تر از سریع ترین FPGA های موجود قدرت پردازشی دارند و 100 برابر سریع تر از سریع ترین CPU ها....
محل استفاده این تراشه ها در Data Center ها، در شبکه های سیمی، در 5G Wireless، خودروهای خودران، در پردازشات لبه و رایانش های ابری است.
در این پست به چرایی توسعه و تولید این تراشه ها هم اشاره ای می کنم و بقیه داستان طلب شما باشد برای بعدا...
چالش های فناورانه جدید صنعت را مجبور کرد تا به دنبال راه حلی فرارتر از روش مرسوم (یک نوع پردازنده مناسب همه کارها) با استفاده از CPU های موجود برود.
پردازنده های برداری بسیار بزرگ مانند تراشه های DSP و GPU ها تا حدی این مشکلات را حل کردند ولی باز هم نهایتا به علت نداشتن انعطاف دچار همان مشکل قبلی شدند با این تفاوت که در این فناوری ها حافظه ها به سبک خیلی اصراف کارانه ای باید استفاده شود بدون نیاز واقعی.
روش استفاده از FPGA ها به علت داشتن ساختار منعطف در حافظه و کلا معماری شان یک راه حل بسیر مناسب بودند ولی جریان توسعه سخت افزاری مانع بزرگی برای پذیرش این تراشه ها در فضا هایی مانند Data Center ها بود.
پاسخ شرکت Xilinx همه را شگفت زده کرد...
اگر دوست داشتید این سری پست هارا ذخیره کنید چون بین هر چند پست درسی از این نوع پست ها براتون در کانال قرار میدم. البته با هشتگ
#پست_سی_یکم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
برای دیدن ادامه این پست ها و پست های پیشین میتوانید به کانال QuRED وارد شوید.
در کانال هم آموزش VHDL و FPGA از صفر قرار دارد و هم پست های مربوط به فناوری.
https://news.1rj.ru/str/QuRED_FPGA_Learn

#بروز_رسانی
🟣بروز رسانی جدید منابع آموزشی برد توسعه AX7Z020
دوره پنجم آموزش ها شامل پروژه های بستر PYNQ ( بستر استفاده از زبان پایتون بر روی تراشه ZYNQ) به منابع آموزش برد توسعه اضافه گردید . تمامی دوستانی که این محصول را از ما خریداری کرده اند میتوانند با مراجعه به فضای ابری مشترک شده ، از منابع آموزشی جدید استفاده کنند.
✅تمامی منابع آموزشی مجموعه آرتمیس کاریا پویا بوده و آموزش های جدید همواره به منابع هر برد توسعه اضافه می گردند .

✅ جهت کسب اطلاعات بیشتر و خرید محصولات از طرق زیر با ما در ارتباط باشید :
www.artemiskaria.ir
@Artemis_support
instagram.com/artemis.karia
021-66504165

در ادامه پست های فناورانه شرکت Xilinx.
شرکت Xilinx برای دست یابی به بهره وری مطلوب در سیستم های رایانش با کاربرد های متنوع پاسخ خود را به عنوان ترکیبی از تمامی پردازنده های مختلف بیان کرد. یعنی در فناوری ACAP شرکت Xilinx هر سه نوع پردازنده اسکالر، برداری و تطبیق پذیر را قرار داده است. که در ادامه به بررسی هر کدام از این پردازنده ها می پردازم.
نکته قابل تامل درباب چرایی توسعه این تراشه ها این است که تغییراتی در صنعت نیمه هادی ها اتفاق افتاده بود که صنعت را مجبور کرد تا اجزای استاندارد پردازش برای راینش هایش را به سمت موازی سازی سوق دهد و دیگر نمی توانست پردازنده های قدیمی را اصطلاحا کسکود یا اسکیل کند و با تغییر اسکیل به عملکرد بهینه دست پیدا نمی کرد. در نتیجه صنعت نیمه هادی به دنبال یک جایگزین می گشت برای معماری حوزه خاص (ای عبارت اخیر، که از الان وارد ترمینولوژی ما شد عبارت بسیار مهمی است که خواهش می کنم دقت کنید Domain-Specific Architecture) که این معماری حوزه خاص یا به اختصار DSA باید شامل تمامی اجزای رایانش استاندارد و تمام اجزایی می شد که به استفاده در حوزه ای خاص تقلیل پیدا کرده بودند مثل معماری که برای DSP ها و GPU ها ارائه شد و مختص حوزه ای کوچک ماند (درحقیقت از DSP ها فقط برای موقعیت هایی استفاده می شود که الزاما محاسبات عریض و طویل ریاضی را برای اجزای دیجیتال داریم و از GPU ها هم در موقعیت هایی استفاده می شد که یک سیستم PC base عمل می کرد). صنعت نیاز به جایگزینی داشت تا در کنار پردازنده های اسکالر بتواند به طریق قابل قبولی پردازنده های برداری که تا الان مورد غفلت واقع شده بودند و فقط در بعضی موقعیت ها به کار گرفته می شدند را از محجوریت در بیاورد و همچنین انعطاف پردازنده های تطبیق پذیر را هم سخاوتمندانه در اختیار نیازمندی های بشری قرار دهد در حالی که از پیچیدگی های توصیف سخت افزار دور بماند.
و دیگر خبری از روش سنتی (یک پردازنده برای همه کار ها) نبود، حال سوالی جدید مطرح شد.
کدام معماری برای کدام کار از همه مناسب تر است؟
1. پردازنده های اسکالر (CPU) بسیار بهینه بودند در اجرای الگوریتم های پیچیده و پیاده سازی سیستم های تصمیم گیری بسیار متنوع و استفاده وسیعی از کتابخانه ها. اما قابلیت تکرارپذیری خوبی نداشتند.
2. پردازنده های برداری (DSP, GPU) بهینه تر بودند در پیاده سازی دسته های کوچک از توابع رایانش قابل موازی سازی در حالی که به علت برخورداری از ساختار غیر قابل انعطاف سلسله مراتب حافظه (Memory Hierarchy) تاخیر در تولید نتیجه نهایی پیدا می کردند (افت در Latency) و همچنین کارایی شان افت پیدا می کرد.
3. پردازنده های تطبیق پذیر (FPGA) دقیقا به ازای تابع رایانشی خاص می تواند شخصی سازی شود و این باعث شده این نوع از پردازنده ها بهترین گزینه به منظور کم بودن تاخیر نهایی و انجام امور زمان واقعی باشند. اما تغییر الگوریتمی در ساختار این سیستم ها برای کامپایل شدن در مقابل دقایق، ساعت ها طول می کشد.
#پست_سی_چهارم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin

https://s4.uupload.ir/files/versal2_hwj6.png
آدرس کانال
https://news.1rj.ru/str/QuRED_FPGA_Learn

نهایتا پاسخ شرکت Xilinx به این نیاز از صنعت توسعه سیستم های ACAP بود به این صورت که شرکت با معرفی این تراشه ها انقلابی را در این صنعت شروع کرد و در واقع الان بهتر مفهوم بسیار انتزاعی که در پست اول از این رشته پست ها بیان کردم درک می شود.
معرفی ساختار انقلابی جدید در رایانش نا متجانس...
در فناوری ACAP در حقیقت پردازنده های برداری در کنار پردازنده اسکالر قرار گرفته اند و این سیستم در کنار یک جزء منطقی برنامه پذیر نسل جدید جفت شده اند و تمام این سیستم ها در کنار هم بر روی یک NoC (Network On Chip) قرار گرفته اند با عرض بیت بالا که این داستان امکان دسترسی تمامی اجزا را به ساختار memory mapped فراهم میکند.
در نهایت این افزایش عظیمی که در عملکرد به وجود آمده پیچیدگی های کار با این سیستم را هم زیاد کرده و بخشی دیگر از این داستان پیشرفت عظیمی است که در ابزارهای مورد نیاز برای به کار گیری این ادوات به وجود آمده. ACAP ها برای استفاده به صورت آماده و بدون نیاز به توصیف سخت افزاری و RTL flow طراحی شده اند. این فناوری به صورت کلی برنامه پذیر نرم افزاری است و برای استفاده از آن می توانید از زبان C یا حتی فریم ورک های دیگر استفاده کنید (فریم ورک هایی که برای هوش مصنوعی یا یادگیری ماشین توسعه پیدا کرده اند) البته هنوز هم طرحان سخت افزار می توانند سیستم هایی که به صورت سنتی در RTL توسعه دادند را بر روی این سیستم ها پیاده کنند (دقت کردید؟؟؟؟؟؟؟ گفتم سیستم های سنتی RTL ، میخواهم دقیقا توجه کنید که چقدر این فناوری ها با سرعت سرسام آوری رشد می کنند و ما هنوز اول راهی هستیم که باهم شروع کردیم، ولی این نوید را به شما می دهم به زودی از این سطح گذر خواهیم کرد با فراهم کردن نیازمندی هایمان در ادامه مسیر).
#پست_سی_پنجم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
https://s4.uupload.ir/files/versal3_yzek.png
آدرس کانال
https://news.1rj.ru/str/QuRED_FPGA_Learn

در ادامه معرفی پلتفرم محاسبات تطبیقی شرکت Xilinx به سراغ معرفی ماهیت هرکدام از قسمت های سازنده این تراشه ها می رویم. همان طور که بیان شد، می دانیم این تراشه های از سه نوع پردازنده مختلف در کنار هم به وجود آمده اند. به همراه یک اینترفیس بسیار پر سرعت NoC که این پردازنده ها را به هم متصل می کند. در تصویر زیر می توانید بخش های مختلف این تراشه را در کنار هم ببینید.
اولین جزئی که بیشتر تشریح می شود بخش اینترفیس اجزا است. مهم ترین نکته در این قسمت این است که در این NoC تمام قسمت های مختلف با سرعت یک ترابیت بر ثانیه می توانند با هم ارتباط برقرار کنند در ضمن علاوه بر NoC جزء منطقی برنامه پذیر موجود در این تراشه پهنای باند حافظه عظیمی را می تواند از طریق Programmable Logic و هم از طریق خافظه های RAM بلوکی که درون این قسمت قرار گرفته اند فراهم کند که این توانمندی Memory Hierarchy ما را قادر می سازد تا برای عملکرد های خاص بهینه شود.
قسمت بعدی، پردازنده اسکالر است، این هسته پردازشی از Dual Core ARM Cortex-A72 تشکیل شده است. این پیاده سازی در فناوری 7nm اجرا شده است.
قسمت بعدی این تراشه ها که Adaptable Engines است در واقع یک PL است (Programmable Logic) که در کنار خودش سلول های حافظه را هم دارد. این ساختار برای رسیدن به بهترین حالت Memory Hierarchy می تواند مجدد پیکره بندی شود.
اما Intelligent Engines درون این تراشه ها از آرایه ای از VLIW ها و SIMD ها ساخته شده که برای توضیح بیشتر راجع به VLIW ها باید عرض کنم که این سیستم ها به منظور ایجاد سیستم ها با پردازش موازی تولید شده اند. رفتار این سیستم ها به صورت کلی به این شکل است که در پردازنده هایی مثل CPU ها وظیفه افزایش Performance بر عهده خود پردازنده است و از طریق Pipeline انجام می شود، به این صورت که برنامه کلی تبدیل به قدم های کوچک شده و بر روی یک سری از داده ها در هر مرحله به ترتیب چند عمل مختلف انجام می شود معمولا با Pipeline ما Latency را فدای Throughput می کنیم. و این مسئولیت بزرگی است و توان زیادی از پردازنده را می گیرد ولی در پردازنده های VLIW مسئولیت موازی سازی بر عهده خود برنامه است به این صورت که در برنامه طراح باید دقیقا ذکر کند که چه بخش هایی از برنامه باید به چه صورت موازی سازی شود (موازی سازی در یک پردازنده تک هسته منظور است. یعنی نزدیک به هم زمان.) و در این صورت عمده بار محاسباتی برعهده ی کامپایلر است تا تنتقضات و مشکل ها را در برنامه بیابد و حل کند.

از بحث فاصله نگیریم...
منظور از SIMD هم در حقیقت Single Instruction Multiple Data است که کلیات عملکردش از نامش پیداست.
اما شرکت Xilinx از کنار هم قرار ادن این سه هیولای پردازشی به دست آوردن سه مزیت را دنبال می کرد که در آینده با هم می بینیم.
https://s4.uupload.ir/files/1588896088870_iud6.png
#پست_سی_هفتم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

تصاویر تکمیلی بحث تراشه های Versal
تصویر اول
#پست_سی_هفتم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

تصاویر تکمیلی بحث تراشه های Versal
تصویر دوم
#پست_سی_هفتم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

تصاویر تکمیلی بحث تراشه های Versal
تصویر سوم
#پست_سی_هفتم
#Xilinx_Technology
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

بورد توسعه "زدترن" ساخت شرکت "MYIR" مبتنی بر تراشه "زینک 7020 " میباشد، مدتهاست که وارد بازار ایران شده و کاربران آن را کم و بیش می شناسند ، اما محصولی از مجموعه آرتمیس کاریا "آلینکس" وارد میدان شده که با وجود داشتن قیمتی در محدوده زدترن ، امکانات بیشتر ، طراحی بی نقص و استاندارد و متعلقات کامل،در اختیار کاربران قرار می دهد.در اینجا ما به بررسی کامل این دو بورد از زوایا مختلف پرداخته ایم .نکته بسیار مهم در انتخاب اینگونه بوردها،وجود پشتیبانی و تامین اطلاعات فنی،کدها و مثالهای راه اندازی و راهنمای کامل همراه با شماتیک می باشد که در اینجا مجموعه آرتمیس کاریا منابع ذکر شده را برای کاربران ارزشمند خود تهیه کرده است. بطور اجمالی با توجه به اینکه در بورد آرتمیس از تراشه زینک با گرید صنعتی استفاده شده و درگاه های متنوعی بر روی آن نصب گردیده به مهندسان عزیز توصیه می شود که در پروژه هایی که نیاز به راندمان مناسب دارند از این بورد استفاده نمایند.برای مشاهده ویدئو بررسی و مقایسه این دو برد به لینک زیر مراجعه کنید :
https://www.aparat.com/v/fgqEt
لینک محصول زینک 7020 :
https://artemiskaria.ir/zynq7020

جدول فوق ، به مقایسه برد های زدترن و برد زینک 7020 مجموعه آرتمیس کاریا میپردازد . نکته قابل ملاحظه ، عدم دسترسی مستقیم به پایه های FPGA برد زدترن میباشد که برای دسترسی به این پایه ها ، میبایست یک IO CAPE بصورت جداگانه تهیه و استفاده کنید که این امر یک هزینه اضافی را به کاربر متحمل میکند .
✅ جهت کسب اطلاعات بیشتر و خرید محصولات مجموعه آرتمیس کاریا از طرق زیر با ما در ارتباط باشید :
www.artemiskaria.ir
@Artemis_support
instagram.com/artemis.karia
021-66504165

🔹 دیوار قطعات و خدمات الکترونیک

https://news.1rj.ru/str/Electronic_Wall

در این کانال آگهی فروش قطعات و یا خدمات قرار می گیرد لذا خریداران می بایست خود در مورد صحت آگهی تحقیق و از خرید با روش های غیر قانونی اجتناب کنند.

کلیه آگهی ها به کانال فوروارد می شود.

روزی یک آگهی به کانال ارسال می شود و حداقل زمانی که در کانال باقی می ماند یک هفته است.

هزینه ارسال آگهی تا رسیدن اعضای کانال به 500 عضو رایگان است

https://news.1rj.ru/str/Electronic_Wall

فراگیری هوش مصنوعی با نسل RISC-V
برد میکس دوینو (Maixduino) بطور ویژه برای کاربردهای اینترنت اشیاء و سامانه هایی که نیاز به یادگیری عمیق دارند از جمله تشخیص اشیاء و چهره و همچنین تشخیص صدا و سمت آن طراحی شده و به کاربر اجازه می دهد که سامانه ایی بسیار کارآمد و دقیق و سودمند در عین حال کم هزینه را در حداقل زمان طراحی کرده و بسازد.کیت Maixduino بر اساس تراشه SipeedM1 که یک SOC منطبق با معماری "ریسک 5" است ساخته شده ؛قدرت عملیاتی آن بقدریست که سامانه شما بصورت "بلادرنگ" عمل کرده و اطلاعات مورد نیاز را تولید می کند ، تراشه درونی این SOC که K210 نام دارد توان اجرای پانصد میلیارد دستورالعمل در ثانیه را دارد،روش کاری آن بر اساس پردازش شبکه عصبی بوده و دارای دو هسته پردازشگر 64 بیتی "ریسک 5" با بسامد کاری 400 مگاهرتز می باشد.

این محصول توسط مجموعه آرتمیس کاریا با بهترین قیمت و به همراه پکیج آموزشی جامع کار با این برد ارائه میگردد .
🟣پیوند این محصول :
https://artemiskaria.ir/maixduino/
✅برای کسب اطلاعات بیشتر و سفارش این محصول از طرق زیر با ما در ارتباط باشید
instagram.com/artemis.karia
021-66504165
@Artemis_support

در این پست می خواهم اندکی درمورد HPC یا High Performance Computing صحبت کنم. برای شروع باید خدمت تان عرض کنم که در این دوران بسیاری از ادوات دیجیتال ما به اینترنت متصل هستند، مانند، کامپیوتر های شخصی، تبلت ها و گوشی های مان.
خوب است بدانید بر اساس آمار شرکت اینتل در سال 2020 حدود 50 میلیارد دستگاه به اینترنت متصل بودند و همین طور 212 میلیارد سنسور. خوب این تعداد وحشتناک زیاد از سیستم های مستقل و همچنین سنسور ها حجم داده بسیار زیادی تولید می کنند. نکته دیگر این است که 47 درصد از این سیستم ها و سنسور ها ارتباط Machin to Machin دارند.
بر اساس آماری، در سال 2020 هر کاربر 1.5 گیگابایت دیتا در روز تولید می کرد که این مقدار در سال 2015 برابر 650 مگابایت بود. این ها را می گویم تا حجم زیاد اطلاعات را عمیقا متوجه بشوید.
یک بیمارستان هوشمند 3000 گیگابایت دیتا در روز تولید می کند.
ماشین های خودران 4000 گیگابایت دیتا در روز تولید می کنند.
هواپیماهای متصل به شبکه روزانه 40000 گیگابایت دیتا تولید می کنند.
کارخانه های متصل به شبکه که باهم کار می¬کنند روزانه 1 میلیون گیگابایت دیتا تولید می کنند.
این حجم از داده ها باید پردازش شود و نتایج حاصل از پردازش این داده ها به درستی تفسیر شود و نهایتا بر اساس تفسیر و تحلیل بدست آمده از پردازش این داده ها باید تصمیم صحیحی اتخاذ شود.
خوب، مسئله پردازش Big Data چیست؟ واضح است...
آیا ما توان رایاناش این حجم از داده ها را داریم؟ آیا ما فضای لازم برای ذخیره این حجم از داده ها و نتایج حاصل از پردازش آن ها را داریم؟ آیا زیرساخت لازم برای انتقال داده ها بین بخش های مختلف سیستم رایانش خود را داریم؟
کار HPC از این جا شروع می شود که کاربر یک درخواستی را برای مدیر شبکه (که البته ترجمه خوبی نیست برای Cluster Manager) ارسال می کند؛ سپس مدیر شبکه این درخواست را بین منابع سخت افزاری توزیع شده تقسیم می کند برای پردازش شدن. منابع سخت افزاری میتوانند CPU ها GPU ها و یا FPGA ها باشند که به نحو سازگاری در کنار هم قرار گرفتند برای انجام عمل پردازش داده ها.
#پست_پنجاه_دوم
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

امشب پست های متفاوتی داریم...
چندی پیش(09/10/2020) خبری در رسانه ها مطرح شد مبنی بر این که شرکت AMD با ثبت سودآوری فصل به فصل شرکت خود در صدد توسعه مجموعه خود برای تولید FPGA ها برآمده و می خواهد شرکت Xilinx را بخرد. این اتفاق می توانست موقعیت تجاری شرکت AMD را در بازار پردازنده ها و فناوری 5G و مخصوصا در دیتا سنتر ها تقویت کند. همچنین شرکت AMD با پشتوانه تولید تراشه های خود می توانست بخت خود را در بازار کاربرد های هوش مصنوعی هم بیازماید.
در چند سال اخیر سهم بازار AMD در فناوری های سیستم های دسکتاپ، لپ تاپ و مراکز داده پیوسته در حال توسعه بوده است. در آن زمان با معرفی پردازنده های Zen 3 CPU از جانب شرکت AMD تخمین زده می شد که این شرکت تا سال 2022 سهم 50 درصدی از بازار دسکتاپ را تصاحب می کند؛ که اگر اینتل راه حل های قدرتمندتر خود را تولید و روانه بازار نمی کرد حتما موقعیت بدی پیدا می کرد. با این تصمیم شرکت AMD به دنبال مقابله جدی تر با اینتل در حوزه های مخابراتی و دفاعی بود، و قصد داشت بازار را بر اینتل افسانه ای تنگ کند. در آن زمان جزئیاتی که از قرارداد از سوی Wall Street Journal منتشر شد این بود که شرکت AMD با اتکا به ارزش سهام خود می خواست شرکت Xilinx را 30 میلیارد دلار ارزش گذاری کند و خرید این شرکت هم با تبادل سهم شرکت AMD قرار بود رقم بخورد.
با این که شرکت Xilinx در سال 2020 رشد خوبی را ثبت کرده بود ارزش سهامش به علت جنگ تجاری بین آمریکا و چین و درحقیقت تحریم های شرکت Huawei آسیب دیده بود. در تحلیلی که از جانب Wall Street Journal منتشر شده بود، بیان شده بود که 6 تا 8 درصد از درامد Xilinx به جیب Huawei رفته است از طرفی فقط انتشار خبر ادغام Xilinx و AMD ارزش سهام شرکت Xilinx را 17 درصد افزایش داد.
در این موقعیت بسیار حساس برای هر سه ضلع این داستان (AMD, Xilinx, Intel) شرایط بسیار پیچیده شده بود و هر حرکت اشتباه می توانست میدان را برای رقیب فراخ کند. این ادغام در شرایط شرکت Xilinx به نفعش بود ولی از سویی شرکت AMD باید مراقب می بود که خیلی در بازار های مختلف پراکنده نشود. یک نکته خیلی جالب دیگر هم این بود که مدیرعامل وقت Xilinx ویکتور پنگ قبلا برای شرکت AMD کار می کرده است.
در نهایت برخی از تحلیلگران معتقد بودند این ادغام شرکت AMD را قادر می سازد که بتواند فناوری های مشابه با فناوری های شرکت Intel تولید کند و یا حتی محصولاتی مشابه با DPU ها و شتابدهنده های سخت افزاری شرکت Nvidia ....
#پست_پنجاه_پنجم
#Xilinx_AMD_1
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn

خبر بعدی 16 روز بعد منتشر شد. در تاریخ (27/10/2020) عنوان خبر از این قرار بود:
تنها یک ماه پس از خریداری ARM توسط شرکت Nvidia ، شرکت AMD موافقت خود را با خرید شرکت تراشه ساز بزرگ Xilinx به قیمت 35 میلیارد دلار اعلام کرد. این ادغام تیم مهندسی شرکت AMD را با سرعت وصف ناپذیری توسعه میداد و این توسعه می توانست برتری حیاتی نسبت به Intel برای این شرکت به ارمغان بیاورد.
پس از مدت ها چند روز پیش (15/02/2022) خبری جدید و داغ از راه رسید. برخلاف شرکت Nvidia که مجبور به فسخ معامله ARM شد؛ شرکت AMD تمامی تاییدیه های لازم را دریافت کرد و موفق شد قرارداد خود را با مبلغ 30 میلیارد دلار نهایی کند. مدیرعامل شرکت AMD عنوان کرد که اولین پردازنده های HPC که هسته های x86 و موتورهای برنامه پذیر Xilinx را در خود ترکیب کرده اند سال 2023 به بازار می آیند. جزئیات بیشتری از طرح ترکیبی این شرکت ها هنوز در دسترس نیست ولی انتظار می رود که شرکت AMD را زین پس در بسیاری از عرصه های مخابراتی، هوا فضا، هوش مصنوعی و اتوموبیل های خودران ببینیم. علاوه بر این تراشه های HPC شرکت AMD و پردازنده های گرافیکی این شرکت می توانند به عنوان مکمل از FPGA ها و ASIC های شرکت Xilinx استفاده کنند.
مدیرعامل AMD تصریح کرده است که امکانات شرکت Xilinx به شرکت AMD این امکان را می دهد که قوی ترین سولوشن های صنعتی High Performance computing و Adaptive Systems را در صنعت ارائه بدهد و از صنعت رایانش لبه و رایانش ابری سهمی 135 میلیارد دلاری بدست آورد.
جالب است بدانید فردای روز انتشار این خبر (16/02/2022)، خبر بعدی از تحلیل بازار این گونه منتشر شد. شرکت AMD به لطف ادغام شرکت Xilinx برای اولین بار از Intel پیشی گرفت. از تاریخ 15 فوریه 2022 ارزش کل شرکت AMD با حساب ادغام Xilinx به عدد 197.75 میلیارد دلار رسیده است درحالی که ارزش بازار Intel عدد 197.24 میلیارد دلار است. این درحالی است که ارزش سهام AMD افزایش 121 دلاری داشته و سهام رقیبش 48 دلار کاهش پیدا کرده است.
در کم تر از 6 سال AMD از ورشکستگی قریب الوقوع نجات پیدا کرد. معماری Zen توانست این شرکت را به بازی برگرداند و اجازه تصاحب بخشی از سهم بازار Intel را هم به این شرکت داد. اگرچه هنوز سود خالص شرکت Intel, Nvidia بیش از شرکت AMD است با این حال این شرکت با انجام موفقیت آمیز معامله ادغام Xilinx بزرگ ترین معامله نیمه هادی را به انجام رسانید با قیمت تمام شده حدود 40 میلیارد دلار.
#پست_پنجاه_ششم
#Xilinx_AMD_2
پاسخ به سوالات شما
@QuRED_Admin
https://news.1rj.ru/str/QuRED_FPGA_Learn