FPGAで作るMNIST NPU — RTLからBit-True検証まで

CPUを作ろうと決心すると、たいてい回路図から探し始めます。ところが、図面を広げた瞬間に答えられない質問が生じます。「このブロックはなぜここにあるべきなのか？」「レジスターを読み取るポートはなぜ2つなのか？」 答えはすべて命令にあります。命令が何を要求しているかを知れば、どのような回路が必要かが決まります。逆の順序では成り立ちません。 RISC-Vの講義はすでにいくつもあります。しかし、その多くはスライドに値を表示して「こうなります」と言って次に進んでしまいます。受講生はその値が正しいか確認する方法がありません。 この講義では、Python命令実行シミュレーターを一緒にお渡しします。run ADDと打てば、その場で機械語が組み立てられ、32ビットがフィールドごとに展開され、レジスターがどのように変わるかが画面に表示されます。教材のすべての数字はこのツールの実行結果であり、皆さんの画面で全く同じように再現されます。 商用デバッガーはライセンスが必要で、シミュレーターはインストールが壁になります。このツールはPythonさえあれば十分です。ボードも、ライセンスも、インストールも必要ありません。 RV32I命令40個を一つも漏らさず直接実行しながら、回路が何をすべきかを自ら見つけ出す過程です。

머신러닝을 배우면 정확도를 높이는 방법을 익히게 됩니다. 하지만 그 모델을 실제 칩에 올리려는 순간, 아무도 알려주지 않았던 질문이 남게 됩니다. 이 모델은 곱셈을 몇 번 수행합니까? 무엇을 얼마나 기억하고 있어야 합니까? 현재 목표로 하는 칩 스펙이 그 요구사항을 감당할 수 있습니까? 머신러닝 교재는 정확도를 다루고 반도체 교재는 회로를 다루지만, 그 사이를 잇는 자료는 드뭅니다. 저는 RISC-V CPU와 NPU를 FPGA로 구현하면서 이 간극을 반복해서 마주쳤습니다. 정확도가 가장 높은 모델이 정작 보드에는 들어가지 않는 상황 말입니다. 본 과정에서는 여섯 개의 알고리즘을 파이썬으로 직접 만들어보면서, 만들 때마다 곱셈, 비교, 메모리 사용량, 정확도를 측정합니다. 그리고 그 값을 실제 FPGA 보드의 자원으로 환산합니다. '곱셈 몇 번'이라는 표현만으로는 그 크기를 가늠하기 어렵지만, '보드의 몇 퍼센트'라고 하면 판단이 서기 때문입니다. 아홉 개의 Lab을 거쳐 여섯 개의 모델을 한 표에 모아보면 예상과 다른 그림이 드러납니다. 곱셈을 세는 데 아홉 편을 할애했지만, 정작 발목을 잡는 것은 곱셈이 아니었습니다. 이후 실수를 정수로 낮추고, 자릿수를 관리하며, 회로를 채점할 기준까지 마련합니다. FPGA 보드는 필요하지 않습니다. 파이썬만으로 진행하며, 보드는 측정값을 환산하는 기준으로만 사용됩니다.

NPU・トランスフォーマーアクセラレータ・mini LLMのようなAI半導体を直接設計するには、その内部の演算がなぜ行われるのかを理論として知る必要があります。この講義は、一つのニューロンからCNN・トランスフォーマー・LLMまで、ハードウェア設計に不可欠な理論のエッセンスだけを抽出して3編に凝縮しました。数式の暗記ではなく「なぜそうなるのか」という直感を通じて、半導体産業30年の経歴を持つ現職教授が、ソフトウェア理論とハードウェア実装を一つに繋ぎます。

Verilogの文法は学んだものの、「それで何を作ればいいのか？」で立ち止まっている方のための講座です。FPGAボード1枚で、デジタル時計、超音波距離センサー、OLEDディスプレイ、リアルタイムカメラ映像まで、4つのハードウェアを直接設計します。出力から入力・制御、ディスプレイ、映像へと難易度を上げながら、目に見える成果物を作ることでデジタル設計を体得します。半導体業界30年の経歴を持つ現職教授が、実際のFPGAで検証済みの内容だけを教えます。

FPGAとVerilogは学んだものの、「それで、AIアクセラレータをどうやって直接作るのか？」という段階で立ち止まってしまう方が多くいます。この講義はその疑問を解消します。普及型FPGA一枚と無料ツールだけで、手作業で設計した3×3カーネルから始まり、CNNを直接学習させ、学習済み重みをINT8に量子化してハードウェアに実装した後、Pythonモデルと1ビットの狂いもなく一致するか（Bit-True）まで検証します。半導体業界30年の経歴を持つ現職教授として、実際のFPGAで検証した内容のみを「動作する回路」として教えます。理論ではなく、自ら設計し証明する経験を通じて、ファブレス設計・AI半導体分野で通用する実践的なスキルを身につけることができます。

FPGAとVerilogは学んだものの、「それで、AIアクセラレータをどうやって直接作るのか？」という段階で立ち止まってしまう方が多くいます。この講義はその疑問を解消します。普及型FPGA一枚と無料ツールだけで、手作業で設計した3×3カーネルから始まり、CNNを直接学習させ、学習済み重みをINT8に量子化してハードウェアに実装した後、Pythonモデルと1ビットの狂いもなく一致するか（Bit-True）まで検証します。半導体業界30年の経歴を持つ現職教授として、実際のFPGAで検証した内容のみを「動作する回路」として教えます。理論ではなく、自ら設計し証明する経験を通じて、ファブレス設計・AI半導体分野で通用する実践的なスキルを身につけることができます。

実務への適用や面接対策でお困りではありませんか？私の現場での経験を活かし、CNNからDETRまでコードを中心にしっかりとレクチャーします。

NPU・トランスフォーマーアクセラレータ・mini LLMのようなAI半導体を直接設計するには、その内部の演算がなぜ行われるのかを理論として知る必要があります。この講義は、一つのニューロンからCNN・トランスフォーマー・LLMまで、ハードウェア設計に不可欠な理論のエッセンスだけを抽出して3編に凝縮しました。数式の暗記ではなく「なぜそうなるのか」という直感を通じて、半導体産業30年の経歴を持つ現職教授が、ソフトウェア理論とハードウェア実装を一つに繋ぎます。

Verilogの文法は学んだものの、「それで何を作ればいいのか？」で立ち止まっている方のための講座です。FPGAボード1枚で、デジタル時計、超音波距離センサー、OLEDディスプレイ、リアルタイムカメラ映像まで、4つのハードウェアを直接設計します。出力から入力・制御、ディスプレイ、映像へと難易度を上げながら、目に見える成果物を作ることでデジタル設計を体得します。半導体業界30年の経歴を持つ現職教授が、実際のFPGAで検証済みの内容だけを教えます。

コンピュータービジョンの最も基本的なデータセットであるMNISTに関する理論的概念を整理し、TorchvisionのAPIを通じた実装および直接カスタムデータセットクラスを実装する方法を学びます。

Season 1が実力点検と基礎固めだったとするならば、Season 2はただ「合格と転職」のためだけの実戦圧縮トレーニングです。 単なる文法やゲートレベルを超え、実際に大手企業や外資系の現場、そしてコーディングテストで頻出する最上位の高難易度モジュール（CDC、同期/非同期FIFO、AMBA APB、SPI、I2C、FIRフィルタなど）を直接設計してみます。 面接官の深掘りするような圧迫質問にも揺るがない、確かな設計能力が必要ですか？地方大学から外資系半導体企業への転職を成し遂げたETAの実戦ノウハウのすべてと、コーディングテストの決定版といえる問題たちをこの講義にすべて詰め込みました。最後のシーズン、あなたの転職フリーパスを完成させてください。

CPUを作ろうと決心すると、たいてい回路図から探し始めます。ところが、図面を広げた瞬間に答えられない質問が生じます。「このブロックはなぜここにあるべきなのか？」「レジスターを読み取るポートはなぜ2つなのか？」 答えはすべて命令にあります。命令が何を要求しているかを知れば、どのような回路が必要かが決まります。逆の順序では成り立ちません。 RISC-Vの講義はすでにいくつもあります。しかし、その多くはスライドに値を表示して「こうなります」と言って次に進んでしまいます。受講生はその値が正しいか確認する方法がありません。 この講義では、Python命令実行シミュレーターを一緒にお渡しします。run ADDと打てば、その場で機械語が組み立てられ、32ビットがフィールドごとに展開され、レジスターがどのように変わるかが画面に表示されます。教材のすべての数字はこのツールの実行結果であり、皆さんの画面で全く同じように再現されます。 商用デバッガーはライセンスが必要で、シミュレーターはインストールが壁になります。このツールはPythonさえあれば十分です。ボードも、ライセンスも、インストールも必要ありません。 RV32I命令40個を一つも漏らさず直接実行しながら、回路が何をすべきかを自ら見つけ出す過程です。

ディープラーニング最新の技術の一つであるVision Transformerを勉強し、Pytorchを利用して論文を実装する講義です。ビジョン分野の新しい未来を私と一緒に体験してください！

ボストンマラソンのビッグデータに基づいて、PythonとTensorflow 2を利用して、多様で有用な機械学習回帰（Regression）と分類（Classification）プロジェクトを理論とともに学ぶ機械学習総合プロジェクトコースです。

머신러닝을 배우면 정확도를 높이는 방법을 익히게 됩니다. 하지만 그 모델을 실제 칩에 올리려는 순간, 아무도 알려주지 않았던 질문이 남게 됩니다. 이 모델은 곱셈을 몇 번 수행합니까? 무엇을 얼마나 기억하고 있어야 합니까? 현재 목표로 하는 칩 스펙이 그 요구사항을 감당할 수 있습니까? 머신러닝 교재는 정확도를 다루고 반도체 교재는 회로를 다루지만, 그 사이를 잇는 자료는 드뭅니다. 저는 RISC-V CPU와 NPU를 FPGA로 구현하면서 이 간극을 반복해서 마주쳤습니다. 정확도가 가장 높은 모델이 정작 보드에는 들어가지 않는 상황 말입니다. 본 과정에서는 여섯 개의 알고리즘을 파이썬으로 직접 만들어보면서, 만들 때마다 곱셈, 비교, 메모리 사용량, 정확도를 측정합니다. 그리고 그 값을 실제 FPGA 보드의 자원으로 환산합니다. '곱셈 몇 번'이라는 표현만으로는 그 크기를 가늠하기 어렵지만, '보드의 몇 퍼센트'라고 하면 판단이 서기 때문입니다. 아홉 개의 Lab을 거쳐 여섯 개의 모델을 한 표에 모아보면 예상과 다른 그림이 드러납니다. 곱셈을 세는 데 아홉 편을 할애했지만, 정작 발목을 잡는 것은 곱셈이 아니었습니다. 이후 실수를 정수로 낮추고, 자릿수를 관리하며, 회로를 채점할 기준까지 마련합니다. FPGA 보드는 필요하지 않습니다. 파이썬만으로 진행하며, 보드는 측정값을 환산하는 기준으로만 사용됩니다.

ディープラーニング・CNNの核心理論から多様なCNNモデルの実装方法、実践問題を通じた実務ディープラーニング開発のノウハウまで、 PytorchベースのディープラーニングCNN技術の専門家として生まれ変わりたいなら、この講義をご一緒ください:)

AI人工知能が大勢であることは言うまでもありません。ところで、機械学習とディープラーニングを学び、どこに書くというのでしょうか？それでは、生活の中で活用される有用なモノのインターネットIoT Computer Visionプロジェクトを一緒に学びましょう。

本講義では、DDR Memory Arbiterを実装します。

画像をアップロードすると、Opencvが処理して顔を検出するWebアプリを作成します。

UARTは最も基本的で広く活用されているシリアル通信方式であり、FPGA設計に初めて触れる初心者にとって非常に適した学習テーマです。本講義では、UARTの通信原理とフレーム構造を詳細に理解し、これを基にRTL(Register Transfer Level)設計を通じて送受信ロジックを直接実装する過程を進めます。FPGA上でUARTを実装することで、デジタル回路設計能力を体系的に養い、シミュレーションおよび検証を通じて実際のハードウェアレベルでの動作を確認する経験を積むことができます。また、Soft ProcessorであるMicroBlazeとXilinx UART IPを活用した方式も共に学習し、プロセッサベースのシステム設計フローおよびインターフェース構成を幅広く理解するようになります。これにより、論理設計とプロセッサ設計を網羅する包括的な開発能力を身につけることができます。

本講義はDDR Memory Arbiterを実装します。

AIを勉強しようとして、線形代数の数式の前でいつも挫折していませんか？この講義は公式を暗記する代わりに、ベクトルや行列が空間で実際にどのように動くのかを視覚的にお見せします。最後まで受講すれば、ニューラルネットワーク、PCA、SVDの背後に隠れた数学を自力で読み解けるようになります。

AI人工知能、モバイルが大勢だということは言うまでもありません。ところで、機械学習とディープラーニングを学び、モバイルでどのように書くのでしょうか？それでは、生活の中で活用される便利なモバイルComputer Visionプロジェクトを一緒に学びましょう。

実務で本当に使えるOCR技術を、しっかり学びたいならこの講座一つで完結！ 非定型文書や複雑なレイアウトでも98%以上の精度を目指し、最新のSOTAモデルと実践ノウハウをもとに企業レベルのOCRプロジェクトを一緒に構築していきます。

<大規模言語モデル、核心だけ素早く!>(インサイト、2025)を基にしたLLMの理論と実戦例題を扱う講義です。