https://mp.weixin.qq.com/s/ngWlOyVFqVaQ0aX8xltJyQ
赛灵思机器学习套件（ML Suite） v1.4 已于 5 月 24 日发布，主要更新功能包括：
-
DECENT 量化器的集成
-
xfDNN Runtime API 已升级，可支持多输出网络
-
简单易用的增强功能
支持 Docker 镜像
支持 Caffe 的自定义 Python 层
用于网络权重的 HDF5 格式
-
增加对新模型的支持
想要开始吗？
从这里开始：https://github.com/Xilinx/ml-suite
DPU 参考设计更新
赛灵思 DPU 参考设计已在 Xilinx.com 上进行了更新。它支持从 B512 到 B4096 的所有配置的最新 DPU。与之前的版本相比，它能支持更多层，如 Depthwise Conv、Relu6、Average Pooling 和 Softmax，所有这些都在硬件中。这使得 DPU 更加通用，增强对 Mobilenet 等新型号的支持。
您可以在这里下载：
https://www.xilinx.com/member/forms/download/design-license-xef.html?filename=zcu102-dpu-trd-2018-2-190531.zip
我们建议您将参考指南与更新的 DPU IP 产品指南 PG338 结合使用，上述指南可在此处获得：
https://www.xilinx.com/support/documentation/ip_documentation/dpu/v2_0/pg338-dpu.pdf
请将此参考设计与最新的 DNNDK v3.0 一起使用。
https://www.xilinx.com/member/forms/download/dnndk-eula-xef.html?filename=xlnx_dnndk_v3.0_190531.tar.gz
PG338 的表 7 已更新受支持层的硬件约束的相关信息，其可用作定制模型的部署指南。
版本说明：https://github.com/Xilinx/ml-suite/blob/master/docs/release-notes/1.x.md
辅助材料更新
带有 Darknet 到 Caffe 转换器及赛灵思 DNNDK 的 Yolov3 教程 (UG1334)
YOLOv3 是目前最流行的对象检测 CNN 之一。其是在一个名为 Darknet 的 ML 框架中开发的。要在 DNNDK 上运行它，您需要将其转换为符合 Caffe 框架的格式。为此，您需要一个专门的 Darknet 到 Caffe 转换器来生成 yolov3.prototxt 和 yolov3.caffemodel 文件，它们是 DNNDK 的输入。
本教程描述了在使用赛灵思 DNNDK 2.0.8 版本对其进行量化并在ZCU102 目标板上运行之前，转换 YOLOv3 CNN（最初在 Darknet 中使用 COCO 数据集（80 类）进行训练）的过程。
从 Darknet 到 Caffe 的转换支持 YOLOv2/tiny、 YOLOv2、 YOLOv3/tiny和 YOLOv3 基本网络。
我们已在此赛灵思 Github 位置发布了详细教程与所有项目文件：
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/Darknet-Caffe-Conversion
使用 TensorFlow 和 DNNDK v3.0 的 MNIST 和 CIFAR10 分类器
我们已在赛灵思的 Github 上发布了有关使用 DNNDK v3.0 TensorFlow 设计流程来创建 DPU elf 文件的两个教程。它们对演示如何使用 DNNDK 在赛灵思平台上部署 Tensorflow 模型有所帮助。教程位于：
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/MNIST_tf
https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/CIFAR10_tf
Jupyter Notebook 的 Python 实现脚本均可用。