在本视频中，Xilinx 专家 Steven Pope 博士讨论了数据中心面临的挑战以及为什么常见的 SmartNIC 无法跟上数据中心的发展。

P4改变了网络格局，因为它允许表达自定义数据包处理。近年来，有几篇著作将P4程序映射到FPGA。但是，这些工作大部分都集中在实现数据包解析器或match action阶段。迄今为止，尚未有报道提出关于FPGA的通用数据包逆解析的原理。推荐一篇2021年FPGA顶会会议论文，介绍基于FPGA开源200Gbps数据包逆解析器的设计与实现。

ZC706中，MAC 控制器与 PHY 通过 RGMII（Reduced Gigabit Media Independent Interface）接口进行连接，实现千兆网。

该演示展示了测试芯片收发器的基本工作情况，用一款 GUI 显示线路速率、均衡值和误码率（显示的性能比适用规范的要求高出几个数量级）。有了基于 ADC 的高级接收器和在 DSP 中实现的 DFE/FFE，该测试芯片和 GTM 收发器可支持各种协议，从超低损耗 OIF-CEI-112G-XSR 到诸如 100GBase-CR4 等高损耗线缆互连，不一而足。

在Vivado使用过程中，会碰到如下情况：设计代码已经编写完成，且仿真、综合或实现中的某一步骤已经通过，不需要再修改。此时可能需要添加一些注释代码，或者调整代码的格式，而任何修改都会导致状态更改为“Out of date”，提示用户更新设计。如何才能在不重新运行综合或实现的情况下解决这个问题？

SmartLynq +模块与 Versal ACAP 完美组合，可实现最佳生产力。本视频演示了通过高速调试端口（HSDP） 进行 Linux 下载有多快，并演示了 SmartLynq+ 模块提供的其他功能。

由 Ubuntu 16.04 机器上不兼容 GTK 版本导致的 Eclipse GUI 问题

低密度奇偶校验（LDPC）软IP内核支持LDPC解码和编码。所使用的LDPC码是高度可配置的，并且所使用的特定代码可以在逐个码字的基础上指定。

针对异步复位、同步释放，一直没搞明白在使用同步化以后的复位信号时，到底是使用同步复位还是异步复位？比如针对输入的异步复位信号rst，使用本地时钟clk将其同步化以后得到一个新的复位信号sys_rst，当使用sys_rst时，是将sys_rst作为同步复位信号还是异步复位信号？

在本视频中，Xilinx 专家 Gordon Brebner 博士讨论了SmartNIC 的发展，P4 可编程能力标准以及 P4 如何解决线速数据包处理的问题。

vivado建立的工程经常会出现版本升级而导致的IP核锁定情况，本文以vivado 2019.2的版本打开旧版本为例，介绍两种更新方法

在2月28日全球最顶尖的FPGA'21大会上，PYNQ团队发布了全新的RFSoC-PYNQ开源框架，示范应用，硬件平台以及丰富教学资源。此次发布不仅仅包括RFSoC-PYNQ框架，对应的Jupyter Notebook全部开源的应用实现。

总结了20个DDR3和FPGA部分的设计规范

网卡（ NIC ）自 20 世纪 80 年代便已出现，到本世纪初，许多公司开始投身该领域进行创新。他们最初的重点是高性能计算（ HPC ）。尽管业务都在以太网上运行，但是，最强大的 HPC 集群是使用 Myrinet 或 Infiniband 创建的。这些网络的网卡被设计为可以绕过操作系统（ OS ）内核，直接与 HPC 应用通信，从而显著提升性能

在活动中，您将了解最新的 xilinx Versal ACAP 平台及其组成模块，支持更灵活地实现加速系统。Versal独有的功能特性，如人工智能引擎（AIE）和片上网络(NoC)，将在Vitis统一软件工具流程中覆盖支持。其主要目的是让您能将新的应用程序与Versal关联起来，并使您能够探索这个平台和工具。

过去 16 个月的时间内，中国 5G 的发展尤其令人瞩目，已建成开通超过 80万个 5G 基站，5G 用户突破 3亿，这是个不错的开局。在这些数字的背后，5G 在行业市场的应用发掘和发展也是市场焦点。目前行业客户在从信息化、自动化向数字化、智能化转型的过程中都在积极的拥抱 5G 技术，也在思考如何利用新的连接和服务能力更好地为企业赋能。

了解全新 Xilinx Alveo SN1000 SmartNIC。

机器学习 (ML) 技术正在强化交通部门的检测精度和数据分析能力。作为新技术，机器学习仍在不断演进发展，且新的技术标准也在制定中。广泛应用于收费系统、交通监控、安全保障等场景的智能交通摄像头系统，对于交通管理具有变革性的意义。

vivado2020.1的SDK是不是找不到了？对的，他已经摇身一变，集成进入了vitis,那么他如何使用？以及常见的问题？我们汇总一下：

在本系列的前几篇文章中 ，我们讨论了 Dennard Scaling 和摩尔定律的细目以及对专用和适应性加速器的需求。 然后，我们深入研究了功耗问题，并讨论了网络压缩的高级优势。在这第三篇文章中，我们将探讨专门构建的“计算有效”神经网络模型的优点和挑战。