Sprache:
Deutsch

Zielgruppe:
Software Entwickler mit Fokus auf FPGA basierten Systemen

Voraussetzungen:
Grundlegende Einblicke in ML Prinzipien und Embedded System Level

Überblick und Zusammenfassungen:
Ziel des Seminars ist es, Einblicke in die Nutzung von FPGAs als Hardwarebeschleuniger für Deep Neural Networks (DNN) zu geben. Dabei wird auch der Fokus auf die Abbildung der gesamten Applikation gelegt.

Nach einer Einführung in die grundlegenden Begriffe der Artificial Intelligence und Machine Learning mit DNN werden die Teilnehmer aus der Sicht des Anwendungsentwicklers an die notwendigen Schritte dieser Abbildung herangeführt. Ausgehend von vor-trainierten AI Modellen wird im Kontext der Xilinx Vitis AI Toolchain durchlaufen, wie ein neuronales Netz Modell sich auf FPGAs abbilden lässt. Die zugrunde liegenden Schritte, wie Quantisierung und Kompilierung werden erläutert und die Ergebnisse der Abbildung analysiert. Für die Nutzung der Artefakte wird mit den bekannten Zynq MPSoC oder Versal ACAP Bausteinen gearbeitet.

Die Agenda:

- AI - ML Inference
- ML Frameworks
- Vitis AI Library
- Vitis AI Tools: Optimizer, Quantizer und Compiler
- Deep Learning Processing Unit (DPU)
- Ausführen der ML Modelle


Art der Vermittlung:
Thematische Einführung, Beispiele, Methodenerklärung, praktische Demonstration und Hinweise zum Nachvollziehen

Nutzen:
Die Teilnehmer erfahren anhand der Xilinx Vitis AI Toolchain, wie Machine Learning auf FPGAs genutzt werden kann.
Mittels der Präsentation und Demonstrationen wird ein Einblick in die Handhabung der Modelle geliefert, der zeigt, wie
die zur Verfügung stehenden Werkzeuge und die Plattform auch durch Entwickler mit Software-Fokus effektiv erstellt
werden können.