赛灵思 INT8 优化为使用深度学习推断和传统计算机视觉功能的嵌入式视觉应用提供最优异的性能和能效最出色的计算方法。与其他 FPGA DSP 架构相比，赛灵思的集成 DSP 架构在 INT8 深度学习运算上能实现 1.75 倍的解决方案级性能。

　　本白皮书探讨将 INT8 运算用于实现在赛灵思 DSP48E2 片上、使用深度学习推断和计算机视觉功能的嵌入式视觉应用，以及这种方案与其他 FPGA 的对比。与占用相同资源数量的其他 FPGA 相比，赛灵思的 DSP 架构对 INT8 乘法累加(MACC) 运算能实现 1.75 倍的峰值解决方案级性能。由于嵌入式视觉应用可以在不牺牲准确性的情况下使用较低位精度，因此需要高效的 INT8 实现方案。

　　赛灵思的 DSP 架构和库针对 INT8 运算进行了精心优化。本白皮书介绍如何使用赛灵思 16nm 和 20nm All Programmable 器件中的 DSP48E2 Slice，在共享相同内核权重的同时处理两个并行的 INT8 MACC 运算。本白皮书还阐述了要运用赛灵思这一独特技术，为何输入的最小位宽为 24 位。此外本白皮书还详细介绍了如何以 SIMD 模式使用 DSP48E2 Slice，供基本算术运算使用。另外还提供在深度学习领域或其他计算机视觉处理任务领域如何将这些功能用于嵌入式视觉的实例。

　　全书目录

　　用于深度学习和计算机视觉的 INT8

　　赛灵思 DSP Slice 片上的 INT8 运算

　　可扩展的 INT8 优化

　　DSP48E2 SIMD 模式

　　映射 INT8 优化到深度学习应用

　　创建 INT8 链接 MACC 的其他方法

　　映射 INT8 优化到计算机视觉功能

　　使用可扩展 INT8 优化的定制 2D 卷积

　　使用 SIMD 运算的中值滤波器

　　竞争分析

　　在竞争分析中使用英特尔的 Arria 10 器件与赛灵思的 Zynq? UltraScale+ ? MPSoC 对比。在进行嵌入式视觉应用计算效率比较时，选择的器件有可比的 DSP 密度和器件功耗：

　　? Arria 10 SoC ：SX220、SX270 和 SX480

　　? Zynq UltraScale+ MPSoC ：ZU3、ZU7 和 ZU9 器件

　　重点比较能用于包括深度学习和计算机视觉在内的众多应用的通用 MACC 性能。