#Xilinx #FPGA #RTOS
FreeRTOS as a Xen Virtual Machine
شرکت Xilinx یک نسخه خاص از سیستم‌عامل بی‌درنگ FreeRTOS را جهت استفاده در محیط XSDK توسعه داده است. هم‌طراحی سخت‌افزار و نرم‌افزار بربستر تراشه‌های Zynq ساده‌تر از قبل شده است.
@binarycourse

#Brands
wath is next issue for branding?

@binarycourse

• کتابی تازه تألیف‌شده در حوزه‌ی زبان توصیف سخت‌افزار و معماری FPGA
• مؤلف دکتر صاحب‌الزمانی - دانشگاه صنعتی امیرکبیر
• برای تدریس در دانشگاه منبع خوبی است.

TensorFlow as a deep learning tool
@binarycourse

#Xilinx
#Versal_ACAP
#FPGA
انقلاب جدید در محاسبات کامپیوتری با رویکرد جدید شرکت زایلینکس.
شرکت زایلینکس پیشگام در تولید تراشه‌های FPGA و SoC به تازگی چارچوب ACAP را جهت توسعه محاسبات کامپیوتری ارائه کرده است.
این سیستم یکپارچه تلفیقی از پردازنده‌ی چندهسته‌ای، تراشه‌های قابل بازپیکربندی و پرازشگر برداری مانند پردازنده‌ی گرافیکی است.
@binarycourse

Xilinx-Vitis-Platform
The Vitis unified software platform includes:
• Comprehensive core development kit to seamlessly build accelerated applications
• Rich set of hardware-accelerated open-source libraries optimized for Xilinx hardware platforms
• Plug-in domain-specific development environments enabling development directly in familiar, higher-level frameworks
• A Growing ecosystem of hardware-accelerated partner libraries and pre-built applications

@binarycourse

#Xilinx #Vitis #HLS
در طی دهه‌ی اخیر، محققین و شرکت‌های تولیدکننده‌ی تراشه‌های FPGA برروی توسعه در سطح سیستم و یا سطوح بالاتر روی آورده‌اند.
به‌عنوان مثال Vitis یک محیط یکپارچه جهت توسعه‌ی اپلیکیشن‌های مختلف بربستر تراشه‌های FPGA است که شرکت Xilinx به تازگی آن را ارائه کرده است.
با توصیف سیستم در سطح سیستم مانند زبان پایتون و سی++ می‌توان شتاب‌دهنده‌ی سخت‌افزاری طراحی کرد. این نوع شتاب‌دهنده‌ها در زمینه‌ی هوش مصنوعی، داده‌کاوی، بینایی ماشین و ... مورد استفاده قرار می‌گیرند.
@binarycourse

#fpga #gpu
FPGA vs GPU and CPU, who's win the computing war?!
@binarycourse

FPGA vs GPU and CPU ?
anonymous poll

FPGA – 9
👍👍👍👍👍👍👍 56%

GPU – 5
👍👍👍👍 31%

CPU – 2
👍👍 13%

👥 16 people voted so far.

#FPGA
#Deep_Learning
#Reconfigurable_System
شبکه‌های عصبی در طی سال‌های اخیر پیچیده شده‌اند و برای پردازش سریع آن‌ها نیاز به سیستم‌های محاسبه‌گر پیچیده‌ای است. معمولاً برای تسریع الگوریتم از پردازنده‌ی خاص‌منظوره، پردازنده‌ی گرافیکی، تراشه‌ی منطقی برنامه‌پذیر (بخصوص FPGA) و طراحی ASIC استفاده شده است. شبکه‌های عصبی و یادگیری عمیق پیوسته در حال تغییر هستند، لذا طراحی ASIC به دلیل انعطاف‌پذیری بسیار کم و پیچیدگی طراحی معمولاً در کاربردهای خاص مورداستفاده قرار می‌گیرند. سیستم‌های قابل‌بازپیکربندی مانند FPGA به دلیل قابلیت برنامه‌ریزی مجدد برای کاربردهای هوش مصنوعی و یادگیری عمیق بسیار مناسب هستند. همچنین کارآیی بالا و توان مصرفی پایینی در مقایسه با پردازنده‌های گرافیکی دارند ولی طراحی شتاب‌دهنده‌ با آن‌ها پیچیده‌تر از پردازنده‌های گرافیکی است.
@binarycourse

What's the best platform for applications?

Google Tensor Processing Unit Architecture.

Best Universities in Computer Science and Electronics at all.
@binarycourse

Stay at Home, COVID-19.

#fun
One of the best songs at all.
There's no need for education by Floyd
@binarycourse

#fun
تقریبا چند ماهی میشه یه مورچه زیر صفحه مانیتورم گیر کرده. اول فکر میکردم رو صفحه هست. اسکرین شات هم نمیشد ازش گرفت،😄😄
فکر کنم از ریپازیتوری لینوکس تغذیه می‌کنه که زنده مونده.

تب بهتر است یا اسپیس‌؟
درامد برنامه‌نویسانی که از اسپیس استفاده می‌کنن بیشتر بوده. واقعا چرا؟
یکی از دلایل زبان مورد استفاده است.
شما از کدوم استفاده می‌کنین؟
@binarycourse