- RISC-V指令集架构简介
- AI芯片的发展趋势
- RISC-V在AI领域的优势与挑战
- 交叉编译工具链安装
- QEMU模拟器配置
- RISC-V开发板选型与准备
- RV32I基础整数指令
- 寄存器与调用约定
- 汇编语言基础
- 神经网络模型结构
- 模型量化原理（INT8/FP16）
- 量化工具（ONNX Runtime）
- PyTorch/TF → ONNX
- 图优化与算子融合
- 内存布局优化
- TFLite Micro移植
- NCNN for RISC-V
- 自定义推理引擎设计思路
- 片内SRAM与片外DDR
- DMA数据传输优化
- 双缓冲技术
- Profiling工具（Perf）
- 计算瓶颈分析
- 访存瓶颈分析
- RISC-V多核架构
- OpenMP并行化
- 任务调度策略
- ResNet-18模型移植
- 预处理与后处理
- 端到端推理测试
- YOLOv5s模型移植
- NMS算法实现
- 性能对比与优化
- BERT Tiny模型移植
- Tokenization实现
- 序列推理优化
- FP16与INT8混合精度
- 精度校准与回退
- 实际案例分享
- 剪枝（结构化/非结构化）
- 知识蒸馏
- 量化感知训练QAT
- 动态电压频率调整DVFS
- 睡眠模式管理
- 计算与访存平衡
- GDB调试RISC-V程序
- 常见运行时错误
- 日志与断言系统
- 单元测试框架(Unity/CMock)
- 持续集成流水线
- 回归测试策略
- SiFive Freedom Studio
- PULP SDK
- Xuantie工具链使用
- NPU与RISC-V协同设计
- 自定义协处理器接口
- 数据通路设计
- RISC-V AI标准化进展
- 新型计算范式（存算一体）
- 开源硬件生态