XC5VLX85-1FFG676I_XC5VSX240T-1FF1738C导读
而在摩尔定律放缓，登纳德缩放比例定律和阿姆达尔定律接近瓶颈之下，摩尔甚至也曾给出“解药”，即“异构计算”，现在正是异构CPU与加速器的“黄金时代”。半导体发展至今，不可避免的事实便是摩尔定律正在放缓。
Xilinx 器件可通过精选芯片工艺和功耗架构为所有产品组合实现高电源效率，包括 Spartan-6 系列及 7 系列、UltraScale? 以及 UltraScale+? FPGA 和 SoC。以下是特定产品组合功能的详细信息、芯片工艺优势和基准比较。对于每一代产品，Xilinx 都不断提升其节电功能，包括工艺改进、架构创新、电压缩放策略以及高级软件优化策略等。电源估算、热模型、全面软件支持和演示板现已开始针对所有产品系列公开提供。
XC5VLX85-1FFG676I_XC5VSX240T-1FF1738C
XC4VLX80-11FF1148I
随着人类语言书写形式的演进，已经发展出数千种独特的字体系。再加上大小写（大写/小写/全大全小/小型大写）、斜体（意大利体/罗马体）、缩放体（横向缩放）、粗细、指定大小（显示/文本）、波痕体、衬线（总体分为衬线体和无衬线体），这一数量可以扩充到数百万，使得文本识别成为机器学习领域中一个振奋人心的专业学科。
Softnautics 采用了赛灵思 Vitis AI 堆栈并运用该软件提供加速，开发出混合应用，同时实现了 LSTM 功能，通过将 TensorFlow-lite 移植/迁移到 ARM 进行有效的序列预测。图像预处理/后处理通过 Vivado 使用 HLS 实现，而 Vitis 的作用是使用连接文本提议网络（CTPN）完成推断。它使用 N2Cube 软件在处理侧（PS）运行。最终，Softnautics 将该解决方案用于视频流水线中的实时场景文本检测，并使用可靠的数据集对模型进行改进。
动态功耗问题则用低电容电路和定制模块来解决。DSP模块中乘法器的功耗不到FPGA架构所构建乘法器的20%。鉴于制造偏差可导致漏电流分布范围很大，可筛选出低漏电流器件，以有效提供核心漏电功耗低于60%的器件。为了减少静态功耗，还全面采用了较长沟道和较高阈值的晶体管。FPGA的设计中使用了多种功耗驱动的设计技术。以Xilinx Virtex系列为例，因为配置存储单元可占到FPGA中晶体管数的1/3，所以在该系列中使用了一种低漏电流的“midox”晶体管来减少存储单元的漏电流。
但是，有机遇就会有挑战。AI 推断作为采用经训练的机器学习算法开展预测的过程，无论是部署在云端、边缘还是终端，都要求在严格的功耗预算下提供优异的处理性能。普遍的看法认为，仅凭 CPU 难以满足这一要求，需要某种形式的计算加速才能更高效地处理 AI 推断工作负载。
XC5VLX85-1FFG676I_XC5VSX240T-1FF1738C
XC4VLX40-10FF668C
XC6VLX130T-2FF784I XC6VLX130T-3FFG784C XC6VLX195T-1FF784I XC6VLX130T-2FFG1156C XC6VLX130T-2FFG784C XC6VLX130T-2FF484I XC6VLX130T-2FFG1156I XC6VLX130T-1FF484I XC6VLX130T-3FF784C XC6VLX130T-1FFG1156I XC6VLX130T-1FFG1156C XC6VLX130T-3FFG1156C XC6VLX195T-1FF1156C XC6VLX130T-3FF484C XC6VLX130T-3FFG484C XC6VLX130T-2FF484C XC5VTX240T-2FF1759I XC5VTX240T-2FFG1759C XC5VTX240T-2FFG1759I XC6VLX130T-1FFG484C XC6VLX130T-1FFG484I 。
XC4VLX160-10FF1513C XC4VLX15-11FFG668I XC4VLX160-10FFG1148C XC4VLX160-10FF1148I XC4VLX15-12SF363C XC4VLX160-10FF1513I XC4VLX160-10FF1148C XC4VLX15-12FFG668C XC4VLX15-11SFG363C XC4VLX160-11FFG1513C XC4VLX15-12FF668C XC4VLX15-11SF363I XC4VLX15-11FFG668C XC4VLX15-11SFG363I XC4VLX15-11SF363C XC4VLX160-12FFG1513C XC4VLX200-10FF1513C XC4VLX200-10FF1513I XC4VLX160-10FFG1513C XC4VLX160-11FFG1513I 。
XC6VLX240T-1FFG784I XC6VLX240T-2FF1156C XC6VLX365T-1FFG1759C XC6VLX240T-1FFG784C XC6VLX240T-3FF784C XC6VLX240T-3FFG784C XC6VLX365T-1FF1759C XC6VLX240T-3FFG1156C XC6VLX365T-2FF1156C XC6VLX365T-2FF1759I XC6VLX240T-3FFG1759C XC6VLX365T-2FF1156I XC6VLX550T-1FFG1760I XC6VLX550T-2FF1760C XC6VLX550T-2FF1759I XC6VLX550T-1FFG1759C XC6VLX365T-1FF1759I XC6VLX365T-1FF1156C XC6VLX365T-1FF1156I XC6VLX550T-2FF1759C 。
XC6VLX75T-1FF784C XC6VLX75T-1FF484I XC6VLX75T-1FF484C XC6VLX75T-3FFG784C XC6VLX75T-3FFG484C XC6VLX760-1FF1760I XC6VLX760-1FF1760C XC6VLX550T-2FFG1760C XC6VLX760-2FF1760C XC6VLX550T-2FFG1759C XC6VLX550T-2FFG1759I XC6VLX75T-2FF784I XC6VLX75T-2FF784C XC6VLX75T-2FFG484I XC6VLX75T-2FFG484C XC6VLX75T-2FFG784I XC6VLX75T-2FFG784C XC6VLX75T-3FF784C XC6VLX75T-3FF484C XC6VLX365T-1FFG1156C XC6VLX365T-1FFG1759I XC6VLX365T-2FF1759C XC6VLX365T-1FFG1156I 。
XC5VLX85-1FFG676I_XC5VSX240T-1FF1738C
而CvMat和IplImage类型更侧重于“图像”，OpenCV对其中的图像操作(缩放、单通道提取、图像阈值操作等)进行了优化。OpenCV中常见的与图像操作有关的数据容器有Mat，CvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高。
2016年7月，赛灵思表示，在未来五年内，它将成为一家全可编程公司，利用其优势帮助客户区分和瞄准云计算、物联网、5G无线和嵌入式视觉等新兴领域。这是自适应计算加速平台。目前，FPGA产品的主要系列有高性能virtex系列、中端kintex系列和低成本artix、spartan系列。Cyrus将其定义为不同于CPU、GPU和FPGA的新产品。事实上，2014年，赛灵思开始了新一代产品的研发，并于2018年初首次亮相。
