【FPGA】Vivado 保姆级安装教程 | 从官网下载安装包开始到安装完毕 | 每步都有详细截图说明 | 支持无脑跟装

【FPGA】Vivado 保姆级安装教程 | 从官网下载安装包开始到安装完毕 | 每步都有详细截图说明 | 支持无脑跟装

安装包下载:Xilinx_Vivado Download Link(下好后可直接安装)

目录 (有安装包后,可直接跳转至 Step5,免得去官网下了,比较麻烦

Step1:进入官网

Step2:注册账号

Step3:进入下载页面

Step4:下载安装包

Step5:安装

Step6:等待软件安装完成

安装完成

Step1:进入官网

① 我们可以选择在 XILINX 官网下载其公司旗下的产品 Vivado

🔍 官网地址:www.xilinx.com           (英文)www.china.xilinx.com  (官方中文网站)

👉 点击直达:Xilinx - Adaptable. Intelligent | together we advance_    (英文)Xilinx -灵活应变.Intelligent | 同超越,共成就_                (官方中文网站)

② 进入官网

"Xilinx is now part of AMD"

我们看到了醒目的 AMD 字样……是的,你没有看错,XILINX 被 AMD 收购了 ~

如果你对该事件比较感兴趣,不妨看看: AMD ׀ 同超越,共成就 _ 人工智能

​  下面是苏妈的收购感言:

所以我们要登录网站,就需要注册 AMD 账号。(如果你已经有账号了请自行跳过 Step2)

Step2:注册账号

① 进入页面:首先点击网页右上角 "人物" 按钮,随后点击 "Login | Register"

​ (登录页面和注册页面是放一起的)

② 点击创建密码:随后会转到登陆界面,直接点击 "创建密码" 进入注册页面

 ③ 账户创建:填写姓名以及邮箱,这里填的邮箱是用来接收验证信息的,所以一定要填一个能用的邮箱。然后选择语言首选项和位置,上面的信息其实除了邮箱都可以随便填。最后进行完谷人机身份验证后,点击 Submit 提交即可。 

④ 激活账户:访问令牌在你的邮箱中,如果你没有收到邮件,可以点击黑色按钮 "重新发送电子邮件"。 设置密码这块比较烦,长度必须包含10且需要包含 1个大写字母,1个小写字母,1个数字,1个特殊字符。这里不得不吐槽一下,是真的很麻烦。

⑤ 登陆账号:激活账户后,会跳转到登录页面。此时输入刚才的邮箱和密码即可登陆。

登陆后跳转显示如下页面则说明登陆成功:

Step3:进入下载页面

如果你不想一个个点击去找下载页面在哪,可以直接点击下面的链接:

🔗 下载页面:Downloads

① 点击 Company:

② 点击 Support:

③ 点击 Doneloads & Licensing:

点击之后就进入到了下载页面:

Step4:下载安装包

① 选择下载版本:这里我们选择 2017.3 版本

② 下拉选择你系统对应的安装包:

③ 认证个人信息:下载之前还需要再次填写个人信息,简单地填一下,然后点击 Download 按钮就可以下载了。

④ 等待安装包下载完毕即可:

​  

Step5:安装

①  打开安装包:下完完毕后我们打开安装包进行安装:

如果弹出 Windows 安全中心警报,点击 允许访问 即可:

此时可能会弹出让你下新版本的信息框,我们这里选择 Continue 即可:

 ③ 此时就看到了安装向导,Welcome 欢迎界面,点击 Next >  

④ 再次输入账号密码:

⑤ 勾选同意:这三个条款全部勾选后才能选择 Next>

⑥ 选择版本:这里选择你需要的版本即可

平常用的少,也不是专攻硬件的,所以听从建议,选 WebPACK。 

多数人这里会选择 HL design Edition.

如果充裕的磁盘空间,建议全部勾选。

⑦ 选择安装路径:

默认是安装在 C盘的,可以选择其他盘。

​  这里按 Yes,即可创建文件目录。

⑧ 点击 Install 安装:

Step6:等待软件安装完成

这可能会是一个漫长的等待,长到令人窒息,就像是安装核弹发射系统一样。

在这期间你可以选择看看它滚动的宣传图,当然也没有什么好看的也就那几张,看腻了就最小化让它自己装就行了。

在这期间可能会弹出 Windows 安全中心:信任安装即可。

安装完成

安装完成后会弹出信息框,提示你软件已经成功安装:

安装完成后桌面上会生成 Vivado 的快捷方式,双击打开即可:

至此,Vivado 已安装完毕。

End.


附录:常见问题汇总(更新时间 24.9.10)

1. 关于个人信息验证失败的问题

有不少朋友反应 Download Center(下载中心)阶段个人信息填的有问题,过不了认证。

* 下面是我个人的填写方法,亲测有效,仅供参考!

1. First Name 填 Cai
2. Last Name 填 Xukun
3. Business E-mail默认是帮你填好的了,我的是QQ邮箱(QQ邮箱亲测可行)
4. Company Name 填 Samsung
5. Address1 填 SL
6. Location 选择 Korea, Republic of
7. City 填 Seoul
8. Job Function 选 Developer - Software

注意,打红色星号的都是必填的,其他都可以不填!
填完之后点击 红色按钮 Download 即可。

还是不行就再换邮箱!!!!80%问题都是邮箱问题!

2. 密码设置的问题

设置的密码不得包含您的电子邮件地址、名字或姓氏,不然一直不通过,他也不告诉你原因。

Read more

Amazon SageMaker 部署 AIGC 应用:训练 - 优化 - 部署 - Web 前端集成应用实践

Amazon SageMaker 部署 AIGC 应用:训练 - 优化 - 部署 - Web 前端集成应用实践

Amazon SageMaker 部署 AIGC 应用:训练 - 优化 - 部署 - Web 前端集成应用实践 背景 Amazon SageMaker 汇集广泛采用的亚马逊云科技机器学习和分析功能,统一访问所有数据,为分析和人工智能提供一体式体验,使用亚马逊云科技机工具进行模型开发、生成式人工智能、数据处理和 SQL 分析,在融通式合作开发工作室中加快协作和构建,借助强大的生成式人工智能软件开发助手 Amazon Q 开发者版提升效率,无论数据存储在数据湖、数据仓库,还是第三方或联合数据来源中,均可访问所有数据,同时内置治理功能可满足企业安全需求。 前言 本文将通过 Amazon SageMaker Notebook 实例完成 AIGC 模型的测试与验证,再将模型部署至 Amazon SageMaker Inference Endpoint 实现服务化,最后利用 Amazon

2026年AI编程工具全景图:GitHub Copilot vs Cursor vs Codeium,我如何选择?

2026年AI编程工具全景图:GitHub Copilot vs Cursor vs Codeium,我如何选择?

文章目录 * 前言 * 一、我的使用场景与测试环境 * 二、GitHub Copilot:全球生态标杆 * 核心优势实测 * 性能数据记录 * 鸿蒙开发适配度 * 三、Cursor:专家级重构利器 * 重构能力深度测试 * 多文件分析能力 * 四、Codeium:极致免费的性价比之选 * 免费策略的深度体验 * 响应速度实测 * 中文支持的优势 * 五、鸿蒙开发场景专项测试 * 测试1:ArkTS组件生成 * 测试2:分布式能力集成 * 测试3:性能优化建议 * 六、2026年价格策略对比 * 七、我的实际使用组合 * 工作日使用方案 * 具体工作流 * 效率提升数据 * 八、选择建议:根据你的场景决策 * 场景1:学生/初学者/零预算 * 场景2:前端/鸿蒙开发者 * 场景3:全栈/团队协作

ENSP设备命名规范化:LLama-Factory训练命名建议生成器

ENSP设备命名规范化:LLama-Factory训练命名建议生成器 在企业级网络仿真平台中,一个看似微不足道的细节——设备命名,往往决定了整个自动化流程能否顺畅运行。试想一下:当多个工程师同时为总部、分部的不同层级设备配置名称时,有人写 SW01,有人用 switch-core-bj,还有人直接叫 我的交换机,这种混乱不仅让脚本解析崩溃,更会让后期维护陷入“猜谜游戏”。 华为ENSP(Enterprise Network Simulation Platform)作为广受认可的企业网络模拟工具,在构建复杂拓扑时尤其依赖清晰、一致的命名体系。而如今,借助大语言模型(LLM)和高效微调框架,我们完全可以将这一重复性高、规则明确的任务交给AI来完成。 LLama-Factory 正是这样一个让非算法背景工程师也能快速上手的大模型微调利器。它不只支持LLaMA系列,还兼容Qwen、ChatGLM、Baichuan等上百种主流架构,更重要的是,它把原本需要数天编码才能完成的微调流程,压缩成了几个配置项加一次点击操作。 要实现“智能命名建议”,核心在于教会模型理解并复现企业的命名规范。比如

低成本运行 Claude Code:通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

低成本运行 Claude Code:通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

阅读原文 一、背景与动机 Claude Code 是 Anthropic 推出的编程 Agent 工具,很多人会用它做 “vibe coding”:一边写代码一边提问,在对话中重构、重组、查 bug,体验非常接近“和聪明同事结对编程”。 但在实际使用中,它有两个比较现实的问题: 1. 成本高:频繁的对话请求,会很快消耗你的 Anthropic API 配额; 2. 网络不稳:在一些网络环境下,直接请求 Anthropic API 可能经常超时或失败。 与此同时,很多开发者已经在使用 GitHub Copilot。GitHub 在 Copilot 背后接入了包括 Claude 在内的多种大模型(具体组合会随时间调整),而你已经为这部分算力付过费了。 于是,一个很自然的问题出现了: