把 Vivado 项目放心交给 Git:一篇 FPGA 工程师必读的实战指南

之前分享过一篇文章《FPGA 版本管理三种方式:你会选哪一种?》,评论区很多人都推荐使用Git进行版本管理,今天这篇文章主题就是使用Git进行备份指南。

在 FPGA 开发中,掌握 Git 等源码管理工具已经是必备技能。

当然,在使用 Vivado 时,我们不仅需要处理源代码控制,还需要处理以 IP 为中心的设计产品。

Vivado 的工程通常是 IP 为中心 的设计,包含:

  • IP Integrator Block Diagram
  • 各类 IP 实例(独立 IP 或 BD 内 IP)
  • 自动生成的包装文件与工程产物

这让很多 FPGA 工程师一开始会觉得:

“Vivado 项目到底该怎么和 Git 一起用?”

好消息是,从 Vivado 2022.1 开始,这一切已经变得非常清晰、也非常容易。

Vivado 2022.1 之后最重要的变化:源文件与生成文件分离

在 Vivado 2022.1 之前:

源文件和生成文件全部混在同一个 .srcs 目录中。

而从 Vivado 2022.1 起,工程目录被明确拆分为:

  • .srcs:源文件
  • .gen:生成文件

这一点非常关键。

👉 这意味着:

只要我们保存 .srcs 目录 + .xpr 工程文件,就可以在任何地方完整重建 Vivado 工程。

示例工程说明

示例使用 Vivado 2024.1 创建了一个新工程,目标板卡为 Avnet ZU Board。

IP Integrator 设计包含:

  • Zynq MPSoC Processing System
  • Smart Interconnect
  • AXI BRAM Controller

此外还加入了 自定义 RTL 文件,通过 UART 提供 AXI 访问,用来演示 自定义 RTL 与 IP 设计共存 的情况。

完成后的 Block Diagram 如下:

Vivado 工程目录结构解析

1️⃣ .srcs 目录

imports/ 下是用户添加的 VHDL / Verilog 源文件

bd/ 下是 IP Integrator 的 Block Diagram

ip/ 下是各个 IP 的 .xci 配置文件

👉 这些都是必须纳入 Git 管理的内容

2️⃣ .gen 目录

.gen 中包含:

自动生成的顶层 wrapper

IP 的生成文件

综合与仿真所需的中间文件

👉 这些文件不需要提交到 Git

将 Vivado 工程加入 Git 仓库

假设你已经在 GitHub 上创建了一个空仓库,下面是核心的步骤。

初始化仓库

git init

添加 Vivado 工程文件

只需要添加两部分:

git add git_demo.srcs/* git add git_demo.xpr

提交到本地仓库

提交这些文件并附带一条消息。

git commit -m "initial issue"

你会看到:

.xpr

RTL / VHDL 文件

IP .xci 文件

都已经被 Git 跟踪。

绑定远程仓库并推送

git remote add origin <url> git push -u origin master

此时在 GitHub 网页上,就可以看到完整的 Vivado 工程源文件了。

从 Git 仓库重建 Vivado 工程

为了验证流程是否正确,我们新建一个文件夹:

git clone <repo_url>

然后直接打开 .xpr 文件。

我们需要重新生成顶层 wrapper,重新生成 IP,正常完成综合与实现即可。

整个流程无需额外脚本,运行非常顺利。

小结

Vivado 2022.1 之后,工程结构已经非常适合 Git 管理

只需管理 .srcs + .xpr

IP、BD、RTL 都能自然融入 Git 流程

Vivado 工程终于可以像软件工程一样被“正常管理”

上面只是简单的使用,后续文章将继续介绍高级点的用法及 Vitis 与源码管理的协同方式。

Read more

Leather Dress Collection GPU算力优化:FP16量化后显存降低40%实测报告

Leather Dress Collection GPU算力优化:FP16量化后显存降低40%实测报告 1. 引言:当皮革遇上AI,算力成了新瓶颈 最近在玩一个挺有意思的AI模型——Leather Dress Collection。这是一个基于Stable Diffusion 1.5的LoRA模型集合,专门用来生成各种皮革服装风格的图像。从紧身连衣裙到工装裤,12个模型覆盖了各种皮革穿搭风格。 但玩着玩着就发现一个问题:显存不够用。 特别是想生成高清大图,或者同时加载多个LoRA模型的时候,我那8GB显存的显卡就开始"抗议"了。每次生成图片都得小心翼翼,生怕显存爆掉。相信很多用AI画图的朋友都遇到过类似的问题——模型效果不错,但硬件跟不上。 今天我就来分享一个实测有效的解决方案:FP16量化。经过测试,这个方法能让Leather Dress Collection的显存占用降低40%左右,而且画质几乎没损失。下面我就把整个优化过程、实测数据、以及具体操作步骤都分享出来。 2. 什么是FP16量化?为什么它能省显存? 2.

Flash Table实测:JAI赋能低代码开发,重塑企业级应用构建范式

Flash Table实测:JAI赋能低代码开发,重塑企业级应用构建范式

目录 * 🔍 引言 * 1.1 什么是Flash Table * 1.2 低代码平台的进化与FlashTable的革新 * ✨FlashTable背景:为什么需要新一代低代码平台? * 2.1 传统开发的痛点 * 2.2 低代码平台的局限 * 2.3 FlashTable的差异化定位 * 💻 FlashTable安装:Docker部署&Jar包部署 * 3.1 基础环境要求 * 3.2 Docker部署(推荐方案) * 3.3 Jar包部署(无Docker环境) * 3.4 常见问题 * 📚FlashTable功能深度评测:从案例看真实能力 * 4.1 数据孤岛?FlashTable 自动化匹配字段 * 4.2 FlashTable复杂表单的开发挑战 * 4.3

Stable-Diffusion-v1-5-archive创意设计师指南:将SD1.5嵌入Figma/PS工作流

Stable-Diffusion-v1.5-archive创意设计师指南:将SD1.5嵌入Figma/PS工作流 你是不是也遇到过这种情况?在Figma里画了半天,总觉得缺一张完美的背景图;在PS里修图,想找个合适的素材却要翻遍图库。灵感来了,但手头的素材库却跟不上。 今天,我们来聊聊一个能彻底改变你工作流的“创意外挂”——Stable Diffusion v1.5 Archive。它不是要取代你的设计软件,而是要成为你最得力的“素材生成器”和“灵感加速器”。想象一下,在Figma里画个草图,就能立刻生成一张风格匹配的渲染图;在PS里想换个背景,输入一句话就能得到。这不再是科幻,而是可以立刻上手的现实。 这篇文章,就是为你——创意设计师、UI/UX设计师、视觉艺术家——量身定制的实战指南。我们不谈复杂的算法,只聚焦一件事:如何把SD1.5这个强大的文生图模型,无缝嵌入到你熟悉的Figma或Photoshop工作流中,让它真正为你所用。 1. 为什么设计师需要关注SD1.5? 在开始动手之前,我们先搞清楚,

5种生成模型(VAE、GAN、AR、Flow 和 Diffusion)的对比梳理 + 易懂讲解 + 代码实现

5种生成模型(VAE、GAN、AR、Flow 和 Diffusion)的对比梳理 + 易懂讲解 + 代码实现

目录 1 变分自编码器(VAE) 1.1 概念 1.2 训练损失 1.3 VAE 的实现 2 生成对抗网络(GAN) 2.1 概念 2.2 训练损失 a. 判别器的损失函数 b. 生成器的损失函数 c. 对抗训练的动态过程 2.3 GAN 的实现 3 自回归模型(AR) 3.1 概念 3.2 训练过程 a.核心思想: 用历史预测未来 b. Transformer 的损失计算:交叉熵监督预测 c.