典型项目
HLS AI 项目方案评审
HLS AI 联调与问题复现
HLS AI 交付材料整理
HLS AI 项目方案评审
HLS AI 联调与问题复现
HLS AI 交付材料整理
AI 加速器性能常被片上缓存、DDR/HBM 访问、DMA tiling 和 AXI 接口拖慢。
AI 加速器性能常被片上缓存、DDR/HBM 访问、DMA tiling 和 AXI 接口拖慢。
HLS 报告里的 latency、II、资源和接口约束需要转成可执行优化动作。
模型到硬件交接必须保留量化、测试向量、格式转换和边界 padding 规则。
明确输入资料、接口边界、吞吐/时序目标和交付物范围。
把协议、时钟复位、缓存、驱动、板级接口和工具链风险拆成可验证项。
用日志、波形、报告和板上抓取材料定位真实阻断,不用泛泛建议替代证据。
保留版本、哈希、测试记录、已知限制和复现步骤,便于团队审计和回归。
推荐 Skill
分析 HLS kernel 的性能瓶颈、接口风险和 pragma 取舍
整理 AI FPGA 加速器量化参数、数据布局、接口协议和验证向量
为神经网络 FPGA 加速器规划 tiling、DMA 调度、片上缓存和吞吐验证
为 HBM 或多 DDR 系统规划 bank 映射、访问矩阵、仲裁和吞吐验证
规划 FPGA AI 加速器的算子划分、量化、缓存复用、DDR 访问、AXI 控制和精度/吞吐验证
核对 BRAM/URAM/DSP 推断结果、代码风格和工具报告,给出改写建议