Vitis AI 集成

Vitis-AI集成 Vitis-AI集成 Vitis-AI是Xilinx的开发堆栈,用于在Xilinx平台(包括边端设备和Alveo卡)上进行硬件加速的AI推理。它由优化的IP,工具,库,模型和示例设计组成。设计时考虑到了高效率和易用性,充分发挥了Xilinx FPGA和ACAP上AI加速的全部潜力。 TVM内部当前的Vitis-AI Byoc流可加速边端和云端的神经网络模型推理。支持的边端和云端深度学习处理器单元(DPU)的算子分别是DPUCZDX8G和DPUCADX8G。DPUCZDX8G和DPUCADX8G是 分别 在X 阅读详情

更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架,适用于 CPU、GPU 和各种机器学习加速芯片。IApache TVM 中文站
**Vitis AI **是用在 Xilinx 平台(包括边缘设备和 Alveo 卡)上进行硬件加速 AI 推理的 Xilinx 开发堆栈。它由优化的 IP、工具、库、模型和示例设计组成。在设计时兼顾高效率和易用性,充分发挥了 Xilinx FPGA 和 ACAP 上 AI 加速的潜力。

TVM 中当前的 Vitis AI 流支持使用** Zynq Ultrascale+ MPSoc, Alveo 和 Versal **平台在边缘和云端加速神经网络模型推理。支持的边缘和云深度学习处理器单元(DPU)的标识符是:

Target BoardDPU IDTVM Target ID
ZCU104DPUCZDX8GDPUCZDX8G-zcu104
ZCU102DPUCZDX8GDPUCZDX8G-kv260
Kria KV260DPUCZDX8GDPUCZDX8G-kv260
VCK190DPUCVDX8GDPUCVDX8G
VCK5000DPUCVDX8HDPUCVDX8H
U200DPUCADF8HDPUCADF8H
U250DPUCADF8HDPUCADF8H
U50DPUCAHX8H / DPUCAHX8LDPUCAHX8H-u50 / DPUCAHX8L
U280DPUCAHX8H / DPUCAHX8LDPUCAHX8H-u280 / DPUCAHX8L

有关 DPU 标识符的更多信息,参见下表:

DPUApplicationHW PlatformQuantization MethodQuantization BitwidthDesign Target
Deep LearningProcessing UnitC: CNNR: RNNAD: Alveo DDRAH: Alveo HBMVD: Versal DDR with AIE & PLZD: Zynq DDRX: DECENTI: Integer thresholdF: Float thresholdR: RNN4: 4-bit8: 8-bit16: 16-bitM: Mixed PrecisionG: General purposeH: High throughputL: Low latencyC: Cost optimized

此教程介绍有关如何在不同平台(Zynq、Alveo、Versal)上使用 Vitis AI 设置 TVM 以及如何开始 编译模型 并在不同平台上执行:推理。

系统要求V

Vitis AI 系统要求页面 列出了运行 Docker 容器以及在 Alveo 卡上执行的系统要求。对于边缘设备(例如 Zynq),部署模型需要使用带有 Vitis AI 流程的 TVM 编译模型的主机,以及用于运行编译模型的边缘设备。主机系统要求与上面链接中指定的相同。

设置说明

本节介绍如何用 Vitis AI 流为云和边缘设置 TVM。支持 Vitis AI 的 TVM 是通过 Docker 容器提供的。提供的脚本和 Dockerfile 将 TVM 和 Vitis AI 编译为单个镜像。

1.克隆 TVM 仓库

  git clone --recursive https://github.com/apache/tvm.git
   cd tvm

2.构建并启动 TVM - Vitis AI Docker 容器。

   ./docker/build.sh demo_vitis_ai bash
   ./docker/bash.sh tvm.demo_vitis_ai

   # Setup inside container
   conda activate vitis-ai-tensorflow

3.用 Vitis AI(在 TVM 目录内)在容器内构建 TVM

   mkdir build
   cp cmake/config.cmake build
   cd build
   echo set(USE_LLVM ON) >> config.cmake
   echo set(USE_VITIS_AI ON) >> config.cmake
   cmake ..
   make -j$(nproc)

4.安装 TVM

   cd ../python
   pip3 install -e . --user

在这个 Docker 容器中可以为云和边缘目标编译模型。要在 docker 容器内的云 Alveo 或 Versal VCK5000 卡上运行,按照 Alveo 或者 Versal VCK5000 设置说明进行操作。分别参照 Zynq 和 Versal VCK190,为推理过程设置 Zynq 或 Versal VCK190 评估单板。

Alveo 设置

查看 Alveo 设置 获取设置信息。

设置后,通过以下方式在 Docker 容器内选择正确的 DPU:

cd /workspace
git clone --branch v1.4 --single-branch --recursive https://github.com/Xilinx/Vitis-AI.git
cd Vitis-AI/setup/alveo
source setup.sh [DPU-IDENTIFIER]

可在此页面顶部的 DPU Targets 表的第二列中找到此 DPU 标识符。

Versal VCK5000 设置

查看 VCK5000 Setup 获取设置信息。

设置后,可以通过以下方式在 Docker 容器内选择正确的 DPU:

cd /workspace
git clone --branch v1.4 --single-branch --recursive https://github.com/Xilinx/Vitis-AI.git
cd Vitis-AI/setup/vck5000
source setup.sh

Zynq 设置

除了构建 TVM - Vitis AI docker 之外,对于 Zynq 目标(DPUCZDX8G),编译阶段在主机上的 docker 内运行,不需要任何特定设置。执行模型时,首先要设置 Zynq 板,更多信息如下。

1.下载 Petalinux 镜像:

  • ZCU104
  • ZCU102
  • Kria KV260
    2.使用 Etcher 软件将镜像文件刻录到 SD 卡上。

3.将带有图像的 SD 卡插入目标单板。

4.插入电源并使用串行端口在系统上启动该单板。

5.用串口设置单板的 IP 信息。有关步骤 1 至 5 的更多信息,参阅 设置评估单板。

6.在单板上创建 4GB 的交换空间

fallocate -l 4G /swapfile
chmod 600 /swapfile
mkswap /swapfile
swapon /swapfile
echo "/swapfile swap swap defaults 0 0" >> /etc/fstab

7.安装 hdf5 依赖(需要 30 分钟到 1 小时)

cd /tmp && \
  wget https://support.hdfgroup.org/ftp/HDF5/releases/hdf5-1.10/hdf5-1.10.7/src/hdf5-1.10.7.tar.gz && \
  tar -zxvf hdf5-1.10.7.tar.gz && \
  cd hdf5-1.10.7 && \
  ./configure --prefix=/usr && \
  make -j$(nproc) && \
  make install && \
  cd /tmp && rm -rf hdf5-1.10.7*

8.安装 Python 依赖

pip3 install Cython==0.29.23 h5py==2.10.0 pillow

9.安装 PyXIR

git clone --recursive --branch rel-v0.3.1 --single-branch https://github.com/Xilinx/pyxir.git
cd pyxir
sudo python3 setup.py install --use_vart_edge_dpu

10.用 Vitis AI 构建和安装 TVM

git clone --recursive https://github.com/apache/tvm
cd tvm
mkdir build
cp cmake/config.cmake build
cd build
echo set(USE_LLVM OFF) >> config.cmake
echo set(USE_VITIS_AI ON) >> config.cmake
cmake ..
make tvm_runtime -j$(nproc)
cd ../python
pip3 install --no-deps  -e .

11.在 Python shell 中检查设置是否成功:

python3 -c 'import pyxir; import tvm'

备注
可能会看到有关未找到 “cpu-tf” runtime 的警告,可以忽略。

Versal VCK190 设置

参考 Zynq 设置 设置 Versal VCK190,但在步骤 1 中参考 VCK190 镜像。其他步骤相同。

编译模型

带有 Vitis AI 流的 TVM 包含编译和推理两个阶段。在编译期间,用户可以为当前支持的云或边缘目标设备选择要编译的模型。编译模型生成的文件可用于在 推理 阶段在指定的目标设备上运行模型。目前,采用 Vitis AI 流程的 TVM 支持选定数量的 Xilinx 数据中心和边缘设备。

本节介绍在 TVM 中用 Vitis AI 编译模型的一般流程。

导入

确保导入 PyXIR 和 DPU target(为 DPUCADF8H import pyxir.contrib.target.DPUCADF8H ):

import pyxir
import pyxir.contrib.target.DPUCADF8H

import tvm
import tvm.relay as relay
from tvm.contrib.target import vitis_ai
from tvm.contrib import utils, graph_executor
from tvm.relay.op.contrib.vitis_ai import partition_for_vitis_ai

声明 Target

tvm_target = 'llvm'
dpu_target = 'DPUCADF8H' # options: 'DPUCADF8H', 'DPUCAHX8H-u50', 'DPUCAHX8H-u280', 'DPUCAHX8L', 'DPUCVDX8H', 'DPUCZDX8G-zcu104', 'DPUCZDX8G-zcu102', 'DPUCZDX8G-kv260'

带有 Vitis AI 流的 TVM 目前支持本页顶部表格中列出的 DPU targets。一旦定义了恰当的 target,就会调用 TVM 编译器来为指定的 target 构建计算图。

导入模型

导入 MXNet 模型的示例代码:

mod, params = relay.frontend.from_mxnet(block, input_shape)

对模型分区

导入模型后,用 Relay API 为 DPU target 注释 Relay 表达式,并对计算图进行分区。

mod = partition_for_vitis_ai(mod, params, dpu=dpu_target)

构建模型

将分区模型传给 TVM 编译器,然后生成 TVM Runtime 的 runtime 库。

export_rt_mod_file = os.path.join(os.getcwd(), 'vitis_ai.rtmod')
build_options = {
    'dpu': dpu_target,
    'export_runtime_module': export_rt_mod_file
}
with tvm.transform.PassContext(opt_level=3, config={'relay.ext.vitis_ai.options': build_options}):
    lib = relay.build(mod, tvm_target, params=params)

量化模型

为了用 Vitis AI DPU 加速器来加速神经网络模型的推理,通常要对模型预先量化。在 TVM - Vitis AI 流中,利用动态量化来替代此预处理步骤。在这个流中,可用典型的推理执行调用(module.run)使用提供的前 N 个输入动态量化模型(参见更多信息如下),而不需要预先量化模型。这将设置和校准 Vitis-AI DPU,为后面所有输入加速推理。

注意:边缘流与推理中解释的流略有不同,边缘流在前 N 个输入后模型被量化和编译,但推理不会加速,并且它可以移动到边缘设备进行部署。查看下面的 在 Zynq 上运行 部分了解更多信息。

module = graph_executor.GraphModule(lib["default"](tvm.cpu()))

# 前 N 个(默认 = 128)输入用于量化校准,并在 CPU 上执行
# 可以通过设置 “PX_QUANT_SIZE” 来更改此配置(例如,导出 PX_QUANT_SIZE=64)
for i in range(128):
   module.set_input(input_name, inputs[i])
   module.run()

用于量化的图像数量默认设置为 128,可以使用 PX_QUANT_SIZE 环境变量更改动态量化的图像数量。例如,在调用编译脚本之前在终端中执行如下命令,将量化校准数据集减少到八幅图像。

export PX_QUANT_SIZE=8

最后将 TVM 编译器的编译输出存储在磁盘上,方便在目标设备上运行模型。云 DPU(Alveo 和 VCK5000)的情况如下:

lib_path = "deploy_lib.so"
lib.export_library(lib_path)

对于边缘 target(Zynq 和 VCK190),必须为 aarch64 重建。因此首先必须正常导出模块,并同时序列化 Vitis AI runtime 模块(vitis_ai.rtmod)。之后再次加载此 runtime 模块,为 aarch64 重建和导出。

temp = utils.tempdir()
lib.export_library(temp.relpath("tvm_lib.so"))

# 为 aarch64 target 构建和导出库
tvm_target = tvm.target.arm_cpu('ultra96')
lib_kwargs = {
   'fcompile': contrib.cc.create_shared,
   'cc': "/usr/aarch64-linux-gnu/bin/ld"
}

build_options = {
    'load_runtime_module': export_rt_mod_file
}
with tvm.transform.PassContext(opt_level=3, config={'relay.ext.vitis_ai.options': build_options}):
     lib_edge = relay.build(mod, tvm_target, params=params)

lib_edge.export_library('deploy_lib_edge.so', **lib_kwargs)

使用 TVM 和 Vitis AI 编译模型的教程到此结束,有关如何运行已编译的模型,参阅下一节。

推理

带有 Vitis AI 流的 TVM 包含编译和推理两个阶段,在编译期间,用户可以选择为当前支持的任何目标设备编译模型。编译模型后生成的文件可用于在推理阶段在目标设备上运行模型。

查看 在 Alveo 和 VCK5000 上运行 以及 **在 Zynq 和 VCK190 上运行 **部分,分别在云加速卡和边缘板上进行推理。

在 Alveo 和 VCK5000 上运行

按照编译模型部分中的步骤,可以在 Docker 内的新输入上执行如下命令以加速推理:

module.set_input(input_name, inputs[i])
module.run()

或者加载导出的 runtime 模块(在 编译模型 中导出的 deploy_lib.so):

import pyxir
import tvm
from tvm.contrib import graph_executor

dev = tvm.cpu()

# input_name = ...
# input_data = ...

# 将模块加载到内存
lib = tvm.runtime.load_module("deploy_lib.so")

module = graph_executor.GraphModule(lib["default"](dev))
module.set_input(input_name, input_data)
module.run()

在 Zynq 和 VCK190 上运行

开始前按照 Zynq 或 Versal VCK190 设置说明进行设置。

在单板上运行模型之前,需要为目标评估单板编译模型,并将编译后的模型传输到板上。如何编译模型,参阅 编译模型 部分。

之后将编译好的模型(deploy_lib_edge.so)传输到评估单板,然后可以在板上使用典型的「load_module」和「module.run」API 来执行。确保以 root 身份运行脚本(在终端中执行 su 登录到 root)。

备注
不要在运行脚本(import pyxir.contrib.target.DPUCZDX8G)中导入 PyXIR DPU targets。

import pyxir
import tvm
from tvm.contrib import graph_executor

dev = tvm.cpu()

# input_name = ...
# input_data = ...

# 将模块加载到内存
lib = tvm.runtime.load_module("deploy_lib_edge.so")

module = graph_executor.GraphModule(lib["default"](dev))
module.set_input(input_name, input_data)
module.run()
DPU(深度学习处理单元)学习笔记1 DPU(深度学习处理单元) 翻译自pg338-dpu DPU是一个可以配置的计算引擎,用于优化卷积神经网络,广泛应用于加速深度学习推理算法,如VGG,Resnet,OLO,SSD,FPN等。DPU中并行利用度是配置的,可以根据目标硬件平台和应用进行选择。 DPU特点: (1)一个用于访问配置和状态寄存器的AXI从接口 (2)一个用于访问指令的AXI主接口 (3)支持根据目标设备访问数据的可配置的64位或128位的AXI主接口, (4)支持每个通道的单独配置 (5)支持可选的中断请求生成 DPU受vitis 阅读详情

相关推荐

Vitis AI修炼秘籍4. DPU IP的系统集成

一. Vitis硬件平台简介 Xilinx提供了一些基础的开发板平台内嵌在Vitis IDE中,用户可以直接从这些platform创建应用程序。但如果是自定义的板卡或者想要部署更多加速器IP、配置不同的性能,我们就需要创建完全自定义的硬件平台。本文介绍创建Vitis AI硬件平台的基本步骤。 硬件平台创建简介 创建一个Vitis嵌入式平台通常有三步:创建硬件接口、创建软件组件和打包平台。当然每一步也都需要进行相应的准备工作和测试。整个流程如下图所示: 各阶段简要描述如下: 步骤

亦梦云烟的博客 5476

KV260 视觉 AI 套件入门--PYNQ-DPU

本文详细介绍了使用KV260视觉AI套件中的DPUCZDX8G深度学习处理单元(DPU)的环境搭建和开发流程。DPUCZDX8G是专为Zynq UltraScale+ MPSoC设计的,优化了卷积神经网络的计算引擎,支持广泛的运算符,使其成为执行AI推理任务的强大工具。文章从DPU的基本原理出发,解释了其工作机制,包括如何从片外存储器中提取指令以及如何在片上存储器中高效处理数据。

hi94的博客 3195

基于Vitis Model Composer与AI Engine实现高性能FFT及轻量级ML集成设计

快速傅里叶变换是数字信号处理中的核心算法,用于将时域信号转换到频域进行分析。其原理基于蝶形运算,通过分治策略大幅降低计算复杂度。在工程实践中,FFT的高性能实现对于通信、音频处理等实时系统至关重要。传统方案往往采用通用处理器或FPGA逻辑实现,但在处理流式数据且需结合机器学习推理时,易遇到延迟与吞吐量瓶颈。AMD Versal自适应计算加速平台中的AI Engine阵列,凭借其SIMD架构和本地存储器,为FFT及后续处理提供了高效的硬件基础。通过Vitis Model Composer图形化工具,开发者可快

weixin_34344403的博客 1088

Vitis AI 工具概述

Vitis™ AI 开发环境可在赛灵思硬件平台上加速 AI 推断,包括边缘器件和 Alveo™ 加速器卡。此环境由经过最优化的 IP 核、工具、库、模型和设计示例组成。其设计以高效和易用为核心,旨在通过赛灵思 FPGA 和自适应计算加速平台 (ACAP) 来充分发掘 AI 加速的全部潜能。Vitis AI 开发环境将底层 FPGA 和 ACAP 的繁复细节加以抽象化,从而帮助不具备 FPGA 知识的用户轻松开发深度学习推断应用。

weixin_45825101的博客 5142

Vitis与TensorFlow集成:AI加速操作指南

深入解析如何将Vitis与TensorFlow结合,提升AI模型在FPGA上的推理效率。通过实际操作指南,掌握关键集成步骤与性能优化技巧,充分发挥vitis在异构计算中的优势。

weixin_29301059的博客 307

vivado2022.2安装教程:集成Vitis时的关键配置要点

手把手带你完成Vivado 2022.2安装教程,重点解析Vitis集成时的路径设置、环境变量配置与License加载技巧,避免常见报错。全程聚焦实际操作痛点,确保FPGA开发环境一步到位,特别适配Xilinx最新工具链需求。

weixin_42509888的博客 859

TVM项目Vitis AI集成指南:FPGA加速AI推理全解析

在AI推理领域,FPGA加速因其低延迟、高能效和可重构性而备受关注。本文将详细介绍如何在TVM框架中集成Xilinx的Vitis AI工具链,实现FPGA平台上的高效AI推理加速。 ## Vitis AI概述 Vitis AI是Xilinx推出的AI推理开发套件,专为Xilinx FPGA和自适应计算加速平台(ACAP)设计。它提供了一套完整的工具链,包括: - 优化的AI处理器IP核 -

gitblog_00153的博客 794

Vitis AI全流程实践:从PyTorch模型量化到DPU边缘部署

模型量化是一种通过降低神经网络权重和激活值数值精度来压缩模型、提升推理速度的核心优化技术。其原理是将32位浮点数转换为8位整数等低精度格式,从而大幅减少模型存储空间和计算资源消耗。这项技术的核心价值在于解决了先进AI模型在资源受限的边缘设备上部署的难题,实现了功耗、延迟与精度的平衡。在工业质检、自动驾驶、智能安防等实时性要求高的边缘计算场景中,量化技术结合专用AI加速硬件已成为落地关键。本文以Vitis AI工具链为例,详细解析了从PyTorch模型出发,通过迁移学习适配特定任务,再经量化感知训练减少精度损

weixin_34210740的博客 380

ad建集成库_Vitis-AI集成

Vitis-AI集成Vitis-AI是Xilinx的开发堆栈,用于在Xilinx平台(包括边端设备和Alveo卡)上进行硬件加速的AI推理。它由优化的IP,工具,库,模型和示例设计组成。设计时考虑到了高效率和易用性,充分发挥了Xilinx FPGA和ACAP上AI加速的全部潜力。TVM内部当前的Vitis-AI Byoc流可加速边端和云端的神经网络模型推理。支持的边端和云端深度学习处理器单元(DP...

weixin_39597636的博客 480

Vitis Model Composer:新版Vivado中System Generator的启动与集成指南

本文详细介绍了如何在Vivado新版中启动和集成Vitis Model Composer,替代传统的System Generator工具。内容涵盖环境准备、工具安装、命令行启动、Simulink集成技巧及常见问题排错,帮助用户顺利完成从System Generator到Vitis Model Composer的过渡,并充分利用其增强的HDL和HLS功能。

weixin_30596343的博客 716

告别环境丢失!手把手教你为Xilinx Vitis AI Docker容器永久添加PyTorch支持

本文详细介绍了如何为Xilinx Vitis AI Docker容器永久添加PyTorch支持的两种方法:快速保存方案和标准化Dockerfile构建方案。通过深入解析Docker镜像的分层结构和持久化机制,帮助开发者解决环境丢失问题,提升开发效率。特别适合需要在Vitis AI环境中使用PyTorch的开发者。

weixin_26812607的博客 235

超全实战指南:基于TVM-CN的Vitis AI高效集成与模型部署(2025优化版)

你是否还在为深度学习模型在Xilinx FPGA上的部署效率低下而困扰?面对复杂的硬件配置、繁琐的量化流程和难以优化的推理性能,开发者往往需要耗费数周甚至数月才能完成一个模型的高效部署。本文将以TVM-CN为基础,提供一套从环境搭建到性能调优的完整解决方案,让你在1小时内掌握Vitis AI集成技巧,实现模型部署性能提升300%的突破。 读完本文你将获得: - 全平台TVM-Vitis AI环境

gitblog_00191的博客 599

Vitis(06) DPU Configuration

本文对DPU的一些配置选项进行介绍

abcxy2161的博客 992

Vitis异构编程与AI引擎集成:从入门到实战

Vitis异构编程与AI引擎集成摘要 Xilinx Vitis平台通过统一工具链实现了CPU+FPGA+AI Engine的异构协同计算。其核心优势在于允许开发者使用C++/Python等高级语言描述算法,由工具链自动完成硬件映射。平台架构包含应用层(AI/信号处理)、Vitis软件栈(XRT运行时、OpenCL API)和硬件层(Arm处理器、AI Engine阵列、可编程逻辑)。 开发流程分为四个阶段:1)PyTorch/TF模型训练导出ONNX;2)使用Vitis AI量化器进行INT8校准。

lza_csdn2019的博客 689

125、NPU的FPGA原型验证:Xilinx Vitis AI流程

本文分享了在FPGA上使用Xilinx Vitis AI工具链进行NPU原型验证的实战经验。作者通过亲身踩坑案例,详细剖析了从模型量化、编译到硬件集成的全流程关键点,包括:量化校准集的重要性、DPU架构参数的配置技巧、物理连续内存的必要性等。文章特别强调了软硬协同验证的特殊性,提供了编译日志分析、性能剖析和精度对比的三板斧调试方法。最后给出实用建议:从简单网络开始验证、渐进式提升时钟频率、保留硬件调试接口,并提醒开发者不要过度依赖工具链的自动化优化。全文聚焦工程实践中的真实问题,为FPGA上的AI加速开发提

m0_50546716的博客 27

Vitis AI library中的模型在自定义单板使用

在Vitis AI设计中,构建模型是其中非常重要的一步。如果使用调用的模型库呢? 获取DPU Kernel 下载Vitis AI git clone https://github.com/Xilinx/Vitis-AI.git git checkout v1.2修改DPU配置文件 将Vitis-AI中的DPU-TRD文件夹拷贝到工程目录中,DPU-TRD文件夹中修改dpu_conf.vh和prj_config。 将dpu_conf.vh中做如下修改: $cd DPU-TRD/prj/Vitis/ $

硬码农二毛哥的博客 766

从零构建嵌入式AI边缘节点:Vitis在ZYNQ/MPSoC上的软硬件协同设计实践

本文详细介绍了如何使用Vitis平台在ZYNQ/MPSoC上从零构建嵌入式AI边缘节点,涵盖环境搭建、硬件设计、模型优化、加速器开发及系统集成等关键环节。通过软硬件协同设计实践,实现高效的AI推理和边缘计算部署,提升项目开发效率。

i7j8k9l的博客 1069

Vitis Unified IDE 和通用命令行参考手册

本文档旨在逐步指导您熟悉各种 Vitis 工具,这些工具采用了 Vitis Unified IDE 和全新的 v++ 命令行流程来开发 AI 引擎组件、HLS 组件和系统工程。Vitis Unified IDE 当前正处于预览阶段,适用对象包括数据中心加速和嵌入式系统设计、AI 引擎和 HLS 组件创建、平 台创建以及嵌入式软件设计。相比于完整版本,它对于网络和硬盘的压力更小;本文档旨在逐步指导您熟悉各种 Vitis 工具,这些工具采用自下而上的设计流程来开发系统组件,随后将其集成到顶层系统工程中。

qq_43416206的博客 688
上一篇: 剑指全球第一大癌症,中国学者建立乳腺癌预后评分系统 MIRS
下一篇: 中科院深圳先进院提出 SBeA,基于少样本学习框架进行动物社会行为分析
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值