AI 与 FPGA 的结合已经在多个行业取得了成功应用，下面将介绍几个典型案例，展示 AI+FPGA 解决方案的具体应用和价值。1. 微软 Project Brainwave微软的 Project Brainwave 是一个在云和边缘进行实时 AI 推理的深度学习平台。该项目基于高性能 FPGA，通过软神经网络处理单元（NPU）加速深度神经网络（DNN）推理，应用于计算机视觉和自然语言处理等领域(

本文摘要： 本文详细介绍了三种信号分离方案的工程实现代码与原理分析。方案一采用纯FPGA FIR直接滤波，通过1024阶低通/高通滤波器分离固定频率信号；方案二基于FFT频域识别与锁相重构，实现自适应频率分离；方案三为FPGA+STM32异构方案，兼顾实时性与灵活性。全文包含完整可工程化代码（SystemVerilog/Verilog/C）、模块级设计细节、35道选择题与深度解析，覆盖定点数运算、

本文从基础 CNN 流程图出发，完整覆盖软件理论、FPGA 定点 Verilog 硬件工程、配套习题讲解，打通深度学习算法与数字硬件实现的鸿沟，适合 FPGA 图像识别、AI 加速器入门学习，代码可直接在 Xilinx Vivado/Intel Quartus 综合仿真验证。

摘要：本项目基于zynet工具链实现FPGA神经网络开发全流程自动化，解决传统开发中手写代码繁琐和软硬参数割裂问题。通过Python训练MNIST分类网络后，工具链自动完成权重定点量化、Verilog代码生成、Vivado工程创建等步骤，最终生成可直接上板的ZYNQ工程。方案包含五大自动化流程：1）Python训练生成权重；2）8bit定点量化转换；3）模板化生成分层RTL代码；4）自动创建含准确

最近项目需要从FPGA向STM32传输数据，选用SPI通信传输，传输数据为32位，。之前写了个stm32从机32位数据接收的，因个人能力不足没成功改成接收8位数据的代码，于是直接让从机接收32位数据，主机传8位数据，取第一组8位数据得了。具体SPI通信原理就不赘述了，网上很多大神有详细讲解过，此处只贴上自己项目关于SPI通信的代码作学习记录，给有需要的朋友参考。目的：fpga与stm32通过spi

本文详细介绍了基于Verilog的ADC128S022芯片SPI控制器设计与仿真验证。通过计数器驱动状态机的架构实现SPI模式0时序控制，包括通道配置、数据采集和并行输出功能。重点解决了仿真过程中的路径错误、数据截断、死循环等典型问题，并采用Python生成12位正弦波测试数据验证功能正确性。最终在Vivado环境下完成全流程开发，包括模块设计、Testbench搭建和波形验证，为FPGA数据采集

/ 定义AXI总线事务类// 成员变量（事务属性）// rand：随机化（验证核心）bit wr_en;// 成员函数（事务行为）$display("AXI事务：%s，地址=0x%h，数据=0x%h",wr_en?"写":"读", addr, data);endclass// 使用类（验证环境中生成随机事务）t = new();// 实例化对象（必须new）if(t.randomize()) be

摘要 AXI（Advanced eXtensible Interface）是ARM AMBA协议中的高性能片内总线，采用5个独立通道（读/写地址、数据、写响应）实现低延迟、高吞吐传输。其特点包括： 单向通道：简化时序，减少延时； 握手机制：VALID/READY信号确保传输同步，VALID不依赖READY，避免死锁； 突发传输：支持FIXED/INCR/WRAP模式，地址自增需对齐4KB边界； 低

随着智能化时代的到来，人工智能的应用已经深入到社会的各行各业. 作为人工智能的主要研究分支，神经网络的研究和发展成为主导当前智能化程度的主要力量.近年来，随着人工智能的快速发展，FPGA 由于其独有的硬件特点成为深度神经网络产业应用的宠儿.本文主要从FPGA实现深度神经网络方面，考虑深度神经网络模型的压缩方法、如何把复杂模型落地到小型设备上等方面展开论述，让人工智能真正的在各个领域落地。深度神经网

本文摘要： 本文详细介绍了三种信号分离方案的工程实现代码与原理分析。方案一采用纯FPGA FIR直接滤波，通过1024阶低通/高通滤波器分离固定频率信号；方案二基于FFT频域识别与锁相重构，实现自适应频率分离；方案三为FPGA+STM32异构方案，兼顾实时性与灵活性。全文包含完整可工程化代码（SystemVerilog/Verilog/C）、模块级设计细节、35道选择题与深度解析，覆盖定点数运算、