本课程介绍了少林派的硬件电路设计以及外设资源使用操作方法，并且提供了AI的硬件加速接口使用教程和一些基础AI实例

“少林派”是基于BM1684的约20TOPS算力开发平台，同时基于Mini-PCIe硬件可扩展性好，生态丰富，可连接的外设多样。

可扩展性：“少林派”核心板的Mini-PCIe可以转成WiFi、4G、蓝牙、GPIO、M2接口、USB、RJ45、SATA、SFP、HDMI、CAN等多种接口。

可连接的外设多样：“少林派”核心板的可以扩展便携屏幕、键盘、鼠标、摄像头、耳机、VR等各种设备。用户可以在“少林派”上DIY一个全场景的Linux工作站，尽情实践你的各种AI实验。

课程特点

1. 内容资料丰富齐全，开发板硬件设计、外设接口说明、开发板升级流程、样例代码脚本。

2. 学习路线科学合理，通过开发板的介绍和基础例程使用来了解学习开发板，再通过内部系统架构和代码的学习来深入理解开发细节，最后引出实战项目，让开发板物尽其用，也共用户自行开发时作为参考。

3. 实战项目丰富，课程提供有许多实战代码样例的使用及功能展示，只需修改、组合就能完成不同功能的实现。

代码下载链接：https://github.com/sophgo/sophpi-shaolin

课程目录

备注：模型转换部分可以参考SE5开发系列课

本课程介绍了华山派的硬件电路设计以及外设资源使用操作方法，并且提供了AI的硬件加速接口使用教程和一些基础AI实例

华山派 -- CV1812H开发板，是算能和生态伙伴硬件十万个为什么联合推出的开源生态开发板，为广大使用者提供基于RISC-V的开源开发环境，以视觉、AI场景开发为核心实现功能，芯片更集成第二代全自研深度学习张量处理器（TPU），全自研智能图像处理引擎（Smart ISP），硬件级别高度安全资料保护架构（Security），语音处理引擎及H.264/265智能编解码技术，同时还有配套的多媒体软件平台和IVE硬件加速接口，使AI部署与执行更加高效、快速、便捷。主流的深度学习框架，比如Caffe，Pytorch，ONNX ，MXNet和TensorFlow(Lite) 框架的主流网络可以轻松的移植到平台上。

课程特点

1. 内容资料丰富齐全，开发板硬件设计、sdk使用文档、平台开发指南、样例代码脚本
2. 学习路线科学合理，通过开发板的介绍和基础例程使用来了解学习开发板，再通过内部系统架构和代码的学习来深入理解开发细节，最后引出实战项目，让开发板物尽其用，也共用户自行开发时作为参考
3. 适用不同受众人群，对于想要快速使用开发功能的用户，课程提供有许多代码样例的使用及功能展示，只需修改、组合就能完成不同功能的实现；而对于相关行业的热爱者或开发者，课程也提供了详细的sdk开发使用指南和代码样例分析文档，有助于用户深入了解
4. 课程相关长期维护，未来我们将推出更多开发课程，与广大开发者技术交流、共同成长。

课程内容

华山派开发板配套开源代码链接：https://github.com/sophgo/sophpi-huashan.git

深度神经网络模型能很快地被训练、测试，然后被产业界部署从而有效完成现实世界中的任务，在小体积、低功耗的 AI 边缘计算平台上部署这类系统很受产业界欢迎。本课程以实践驱动的方式带领大家直观学习、实战和掌握深度神经网络的知识和技术。

SOPHON AI微服务器SE5是一款高性能、低功耗边缘计算产品，搭载算能自主研发的第三代TPU芯片BM1684，INT8算力高达17.6TOPS，支持32路全高清视频硬件解码与2路编码，本课程带你快速玩转功能强大的SE5服务器，通过本课程的学习你即能理解AI的基本知识，又能掌握AI基本应用。

课程特点

1、一站式服务

所有SE5应用遇到的常见问题都可以在这里找到答案

• 提供AI微服务器全栈式的解决方案
• 开发过程步步拆解，详尽清晰
• 支持所有的主流框架，产品易用

2、体系化教学

从环境搭建到应用开发，从模型转化到产品部署，镜像实战环境

• 环境是如何搭建的？
• 模型是如何编译的？
• 应用是如何开发的？
• 场景是如何部署的？

3、资料齐全

课程包括视频教学、文档指导、代码脚本等，详尽丰富

• 丰富的视频资料
• 详尽的应用指导
• 清晰的代码脚本

代码下载链接：https://github.com/sophon-ai-algo/examples

4、免费的云开发资源

可以在线免费申请使用SE5-16微服务器云测试空间

• SE5-16微服务器云测试空间可进行在线开发、测试，支持用户数据保留与导出
• SE5-16微服务器云测试空间内资源性能与物理机环境一致

云平台申请地址：https://account.sophgo.com/sign_in?service=https://cloud.sophgo.com&locale=zh-CN

云平台使用说明：https://cloud.sophgo.com/tpu.pdf

课程概览

课程目录

智能机器人种类繁多，应用比较广泛的是轮式移动机器人，主要应用在室内或库房的巡逻，行星探测、教学、科研以及民用运输等方面。在本课程中，智能小车通过自身携带的摄像头（视觉传感器）获取视频信息，识别周围环境，基于激光雷达和惯性测量单元（IMU）等传感器，实现狭小空间内自主导航避障。本课程以实践驱动的方式带领大家直观学习机器人操作系统（ROS）、利用少林派开发板搭建智能小车视觉应用平台，通过智能小车编程实战掌握AI的基本知识和应用。

少林派开发板是一款高性能、低功耗边缘计算产品，搭载算能自主研发的第三代TPU芯片 BM1684，INT8算力高达17.6TOPS，支持32路全高清视频硬件解码与2路编码。少林派开发板外设灵活配置，支持3路mini-PCIe，4路USB；电源供电支持DC供电及TypeC供电。根据场景需求实现最优配置，最合理成本，最优能耗，最优功能选择。本课程带你快速玩转功能强大的少林派开发板，通过本课程的学习你既能掌握机器人操作系统（ROS）和AI的基本知识，又能理解AI基本应用。

课程特点

1、一站式服务

所有KT001智能小车遇到的常见问题都可以在这里找到答案

• 提供KT001智能小车全栈式的解决方案
• 全面详解ROS的基础概念和应用实践
• 以实践为中心，讲解大量计算机视觉实战案例，比如基于OpenCV的图像处理，基于YOLOv5实现物体检测，基于DeepSort实现多目标跟踪，基于RetinaFace的人脸检测和基于ResNet的人脸识别，和基于TSM的动作识别的实现原理和方法

2、体系化教学

从产品介绍到环境搭建，再到到视觉应用

• 智能小车构成是怎样的？智能小车是怎么组装的？
• 环境是如何搭建的？
• 应用是如何开发的？

3、资料齐全

课程包括视频教学、文档指导、代码脚本等，详尽丰富

• 丰富的视频资料
• 详尽的应用指导
• 清晰的代码脚本

代码下载链接：https://github.com/sophgo/sophon_robot

课程目录

多媒体概述

通常理解的多媒体（Multimedia），它由multi和media组合，即多种媒体的综合，一般包括文本，声音，图像和视频等多种媒体形式。近几年，涌现了大量新兴的多媒体应用和服务：如4K超高清，VR，全息投影和5G直播等

多媒体与人工智能 

人工智能的基础即为多媒体技术，例如图像处理与识别、音频处理与语言识别等。课程基于算能AI芯片BM1684，峰值性能可达17.6 TOPS INT8和2.2 TFTOPS FP32，并支持32路高清硬解码，强力展现一款芯片的核心能力：算力 + 多媒体处理能力

智能多媒体关键技术与指标 

关键技术包括编解码技术，图像处理技术，媒体通信技术 关键指标则包括解码路数、帧率、分辨率、图像处理接口丰富程度、延时、协议支持等

本课程将重点围绕图像处理技术、编解码技术、媒体通信技术三个方面进行介绍，通过理论+实践的方式，让同学们了解面向人工智能的智能多媒体相关理论，并快速掌握基本的实践方法。

课程目录

相关github连接

sophgo_ffmpeg: https://github.com/sophgo/sophon_ffmpeg

sophgo_opencv: https://github.com/sophgo/sophon_opencv

AI编译器作为框架与硬件之间的桥梁，可实现一次代码开发、各种算力芯片复用的目标。近日，算能也对外开源了其自研的 TPU 编译工具— TPU-MLIR（Multi-Level Intermediate Representation）。TPU-MLIR 是一款主打 AI 芯片的 TPU 编译器开源工程。工程提供了完整的工具链，将预先训练好的各类框架下的神经网络，在其中进行转化，最终转化为能在 TPU 中高效运算的 二进制文件bmodel，以实现更高效的推理。本课程以实战为驱动，带领大家直观地了解、实战、掌握算能智能 AI 芯片的 TPU 编译器框架。

目前TPU-MLIR工程已被应用在算能研发的最新一代人工智能芯片BM1684X 上，搭配上芯片本身的高性能ARM内核以及相应的SDK，能够实现深度学习算法的快速部署。课程内容会涵盖 MLIR 基本语法以及编译器中各类优化操作的实现细节，如图优化，int8 量化，算子切分和地址分配等。

TPU-MLIR相对其他编译工具，有以下几个优势

1、简单、便捷

通过阅读开发手册与工程中已包含的样例，用户可以了解模型转化流程与原理，快速上手。并且，TPU-MLIR基于当前主流的编译器工具库MLIR进行设计，用户也可以通过它来学习MLIR的应用。 该工程已经提供了一套完备的工具链，用户可以直接通过现有接口快速地完成模型的转化工作，不用自己适配不同的网络

2、通用

目前TPU-MLIR已经支持TFLite以及onnx格式，这两种格式的模型可以直接转化为TPU可用的bmodel。如果不是这两种格式呢？实际上onnx提供了一套转换工具，可以将现在市面上主流深度学习框架编写的模型转为onnx格式，然后就能继续转为bmodel了

3、精度与效率并存

模型转换的过程中有时会产生精度损失，TPU-MLIR支持INT8对称和非对称量化，在大幅提高性能的同时又结合原始开发企业的Calibration与Tune等技术保证了模型的高精度。不仅如此，TPU- MLIR中还运用了大量图优化和算子切分优化技术，以保证模型的高效运行。

4、实现极致性价比，打造下一代AI编译器

为了支持 GPU 计算，神经网络模型里面的算子需要开发一个GPU版本；为适配 TPU ，每个算子都应该开发一个 TPU 版本。此外，有些场景需要适配同种算力芯片的不同型号的产品，每次都要手动编译，这将是非常耗时的。AI 编译器旨在解决上述问题。TPU- MLIR 的一系列自动优化工具可以节省大量手动优化时间，使在 CPU 上开发的模型能够顺利、免费地移植到 TPU 中，以获得最佳性能和价格比。

5、资料齐全

课程包括中英文视频教学、文档指导、代码脚本等，详尽丰富 丰富的视频资料 详尽的应用指导 清晰的代码脚本 TPU-MLIR站在MLIR巨人的肩膀上打造，现在整个工程的所有代码都已开源，向所有用户免费开放。

代码下载链接：https://github.com/sophgo/tpu-mlir

TPU-MLIR开发参考手册：https://tpumlir.org/docs/developer_manual/01_introduction.html

介绍整体设计思路的论文：https://arxiv.org/abs/2210.15016

视频教程：https://space.bilibili.com/1829795304/channel/collectiondetail?sid=734875