4 Vitis AI的应用案例
一个典型的传统软件开发人员和AI结合的例子。例如对视频的数据进行预处理，然后通过AI进行输出，再进行后处理，预处理和后处理都是软件，中间通过AI。
例如假设开发人员要通过这一条流线以6 FPS（每秒帧）的速度进行显示。如果在CPU上运行，是6 FPS。如果在Vitis数据流流水线中，可以达到80 FPS（如下图）。
具体地，在FPGA或1个GPU上，要对AI进行加速，可以看到从6激增到30这么大的提升。如果是用GPU也就到这么多了，不可能再有更多的改善了。在FPGA上你可以决定对预处理部分加速，还是对后处理部分进行加速。这样就达到了40 FPS。 最下面一行，可以进行流水线的优化处理，不用等着这一帧处理完毕就可以进行下一帧的处理，这样就可以达到80 FPS的速度，而软件层面的开发人员完全没有必要了解这些硬件的技能，就可以达到这样的效果。
早期Vitis和Vitis AI试用的客户，有从事自动驾驶的北京小马智行、汽车一级供应商日立公司的摄像头识别，韩国三星的5G部署等。
5 如何降低FPGA的开发门槛
赛灵思和多个FPGA平台合作，包括AWS，中国有BAT。基本上有两个方法解决这个问题。①通过Vivado，这个比较难，因为涉及到硬件的设计和模拟。②几年前赛灵思推出了SDAccel，它算是Vitis的鼻祖。赛灵思的FaaS（FPGA即服务）合作伙伴现在没有更新它们的系统，预计2020年上半年会全部更新。因为赛灵思的Vitis和Vitis AI库容量非常丰富，所以会帮助他们大幅加速FPGA应用。
实际上，Vitis和Vitis AI是抛砖引玉——采用免费的模式，主要从硬件那边赚取利润。
一个问题是：在深度学习做加速这方面，虽然现在FPGA成长快，但是在AI培训方面，比较主流的还是GPU居多，一方面是因为GPU硬件性能高，另一方面，英伟达在软件工具方面针对各个垂直领域做了很多工作。那么，Xilinx推出Vitis平台之后，是不是有助于加速到各个垂直应用的进程？
Ramine Roane解释道，GPU在AI培训上的市场份额很大，但在AI的推断上面效率并不是很高。AI推断最大的市场份额还是由CPU占据的，不过现在CPU加速的效率还不是很高，例如在边缘的一个案例是北京小马智行公司的自动驾驶，时延是一个很大的问题，GPU最大的问题是时延太高了。不过，过去人们认为FPGA有点难用，需要用硬件开发，所以Vitis、Vitis AI的推出，就是为了降低这个难度。
