Thực hành Python học máy để triển khai trên FPGA

Bạn đã từng bỏ cuộc khi học Verilog và các công cụ EDA? Một giáo sư khoa bán dẫn, người trực tiếp thiết kế NPU, sẽ hướng dẫn bạn cách hiểu từ CPU đến NPU thông qua việc tính toán với 9 tệp Excel.

Khi quyết định tự xây dựng một CPU, phần lớn mọi người thường bắt đầu bằng việc tìm sơ đồ mạch. Nhưng ngay khi mở bản vẽ ra, những câu hỏi không thể trả lời xuất hiện. Tại sao khối này phải nằm ở đây? Tại sao cổng đọc thanh ghi lại có hai cái? Tất cả câu trả lời đều nằm trong tập lệnh. Khi biết tập lệnh yêu cầu điều gì, ta sẽ xác định được cần những mạch nào. Làm theo thứ tự ngược lại thì không được. Đã có khá nhiều khóa học về RISC-V. Nhưng phần lớn chỉ hiển thị một giá trị trên slide, nói “nó hoạt động như thế này” rồi chuyển sang phần tiếp theo. Người học không có cách nào kiểm chứng giá trị đó có đúng hay không. Khóa học này đi kèm một trình mô phỏng thực thi lệnh bằng Python. Khi nhập run ADD, mã máy sẽ được lắp ráp ngay tại chỗ, 32 bit sẽ được phân tách theo từng trường, và sự thay đổi của các thanh ghi sẽ hiển thị trên màn hình. Mọi con số trong giáo trình đều là kết quả chạy từ công cụ này và sẽ được tái hiện y hệt trên màn hình của bạn. Trình gỡ lỗi thương mại cần giấy phép, còn trình mô phỏng thì vướng ở khâu cài đặt. Công cụ này chỉ cần có Python là đủ. Không cần bo mạch, giấy phép hay cài đặt. Đây là quá trình trực tiếp thực thi toàn bộ 40 lệnh RV32I, không bỏ sót một lệnh nào, để tự mình khám phá xem mạch cần phải làm gì.

Bắt đầu từ nguyên lý hoạt động của các lệnh RISC-V, đây là khóa học thực hành thiết kế CPU 32-bit với cấu trúc pipeline 5 tầng, hoàn thiện từ việc triển khai Verilog RTL, kiểm chứng bằng mô phỏng cho đến chạy thực tế trên FPGA. Trong số 40 lệnh của RV32I, khóa học lựa chọn 14 lệnh cần thiết để tìm hiểu cấu trúc cốt lõi của CPU và từng bước xây dựng TinyRV32I. Bạn sẽ trực tiếp thiết kế và kiểm chứng các cấu trúc cốt lõi tạo nên một CPU thực tế, bao gồm datapath, thanh ghi pipeline, ALU và mạch điều khiển, Branch, Hazard, Stall·Flush, Memory-Mapped I/O, v.v. Khóa học cung cấp Verilog RTL, Testbench, chương trình Assembly, Memory Image và tệp ràng buộc FPGA được sử dụng trong bài giảng. Cuối cùng, bạn sẽ chạy chương trình thực tế trên FPGA Arty S7-25 bằng chính CPU do mình thiết kế. Khóa học không kết thúc tại đây. Sau khi hoàn thiện cấu trúc cốt lõi của CPU thông qua TinyRV32I, bạn sẽ tiếp tục với lộ trình thiết kế CPU theo từng giai đoạn, mở rộng thành Full RV32I CPU hỗ trợ toàn bộ 40 lệnh RV32I trong các khóa học tiếp theo.

Khi học về CPU và RISC-V, bạn có thể hiểu được chức năng của các lệnh nhưng lại gặp khó khăn ở những câu hỏi như: “Các lệnh này được thực thi như thế nào trên phần cứng thực tế?” và “Làm thế nào để xác nhận CPU do chính mình thiết kế thực sự hoạt động đúng?”. Nhiều tài liệu trên thị trường chỉ dừng ở việc giải thích ISA hoặc các ví dụ CPU đơn giản; trong nhiều trường hợp, người học cũng chỉ sử dụng các IP hoàn thiện. Vì vậy, không dễ để trải nghiệm toàn bộ quá trình tự thiết kế, xác minh CPU và chạy chương trình trên FPGA thực tế. Tôi đã có nhiều năm kinh nghiệm nghiên cứu, phát triển và kinh doanh trong lĩnh vực bán dẫn hệ thống, đồng thời hiện đang giảng dạy về thiết kế bán dẫn và FPGA tại trường đại học. Qua đó, tôi nhận thấy rõ khoảng cách trong quá trình học tập này. Vì vậy, khóa học được xây dựng không theo phương pháp cung cấp một CPU hoàn thiện rồi chỉ kiểm tra hoạt động, mà bắt đầu từ câu hỏi “Cần có những phần cứng nào để thực thi các lệnh RV32I?”, từ đó trực tiếp thiết kế cấu trúc CPU theo phương pháp White Box. Trong Volume 3, dựa trên TinyRV32I của Volume 2, chúng ta mở rộng thành CPU 32-bit Full-Version sử dụng 40 lệnh RV32I. Data path, Decoder, Branch·Jump và Byte/Halfword Memory Access được mở rộng; đồng thời triển khai Forwarding và Load-Use Interlock để Pipeline 5 tầng có thể tự xử lý các phụ thuộc dữ liệu. Tiếp đó, bằng cách tích hợp CSR, Exception, Interrupt, Trap và MRET, chúng ta hoàn thiện một CPU có khả năng xử lý không chỉ việc thực thi chương trình thông thường mà cả các ngoại lệ và sự kiện bên ngoài. Quá trình thiết kế không kết thúc ở RTL Simulation. Chúng ta sẽ thực thi chương trình thực tế trên CPU, so sánh kết quả với Spike Reference Model, đồng thời học về mục đích cũng như quy trình thực hiện và đánh giá của RISC-V Architecture Compatibility Test thông qua các trường hợp xác minh thực tế. Cuối cùng, CPU đã được xác minh sẽ được triển khai trên FPGA Arty S7-25, nhận đầu vào từ Switch và Button, thực thi chương trình và kiểm tra kết quả được xuất ra LED. Vấn đề mà khóa học này hướng tới không đơn giản chỉ là biết thêm nhiều lệnh RISC-V. Mục tiêu là kết nối các bước từ lệnh → kiến trúc CPU → Verilog RTL → điều khiển Pipeline → thực thi chương trình → xác minh dựa trên tiêu chuẩn → hoạt động thực tế trên FPGA thành một quy trình thống nhất, giúp học viên hiểu một cách căn bản cấu trúc bên trong CPU và hình thành năng lực kỹ thuật để tự thiết kế, xác minh CPU.

Đưa mạng thần kinh lên FPGA — cụm từ này nghe có vẻ quen thuộc, nhưng số người thực sự làm được điều đó lại rất hiếm. Nếu bạn muốn đi trước một bước trong các đồ án tốt nghiệp (Capstone), các cuộc thi hay tác phẩm tốt nghiệp, bạn cần phải vượt xa việc chỉ huấn luyện mô hình; bạn phải có khả năng tự mình tạo ra và chứng minh cách các phép toán đó vận hành bên trong một con chip thực thụ. Khóa học này sẽ giúp bạn lấp đầy khoảng cách đó — khoảng cách giữa lý thuyết và phần cứng thực tế. Bạn sẽ tự tay hoàn thiện từ đầu đến cuối một bộ tăng tốc mạng thần kinh (NPU) nhận dạng chữ số MNIST, từ việc đọc thông số kỹ thuật đến xây dựng mô hình Golden Model bằng Python, thiết kế Verilog RTL và kiểm chứng trên FPGA. Từ lớp Conv được tạo bởi Line Buffer và MAC song song, qua ReLU, MaxPool, Flatten cho đến lớp Fully Connected và Argmax — bạn sẽ tích hợp chín khối chức năng vào một con chip duy nhất và tự mình chứng minh rằng "kết quả từ Python và đầu ra phần cứng không khác nhau dù chỉ một bit (Bit-True)". Khóa học cũng bao gồm cách vượt qua những khoảnh khắc gây ức chế khi mô phỏng chạy bình thường nhưng kết quả lại khác biệt một cách tinh vi. Tôi sẽ chỉ ra từng bí quyết thực tế mà các giáo trình học sâu thông thường không đề cập đến, chẳng hạn như lượng tử hóa số nguyên, chuyển đổi thứ tự trục mảng, hay ngăn chặn tràn bộ tích lũy. Tôi đã đúc kết những kinh nghiệm xương máu từ quá trình thiết kế CPU RISC-V và kiểm chứng Bit-True trên FPGA trong thời gian dài vào khóa học này, để các bạn không phải lặp lại những sai lầm đó. Sau khi kết thúc khóa học, bạn sẽ nắm trong tay một dự án phần cứng hoàn chỉnh mà bạn có thể tự tin nói rằng mình đã "tự tay thiết kế và chứng minh".

Nếu muốn tự mình thiết kế các chất bán dẫn AI như NPU, bộ tăng tốc Transformer hay mini LLM, bạn cần nắm được bằng lý thuyết tại sao các phép tính bên trong chúng lại diễn ra. Khóa học này cô đọng trong ba phần những tinh túy lý thuyết thiết yếu cho thiết kế phần cứng, từ một nơ-ron đơn lẻ đến CNN, Transformer và LLM. Không phải là học thuộc công thức, mà là dùng trực giác để hiểu “tại sao lại như vậy”; một giáo sư đương nhiệm với 30 năm kinh nghiệm trong ngành bán dẫn sẽ kết nối lý thuyết phần mềm với việc triển khai phần cứng thành một thể thống nhất.

Đây là khóa học dành cho những ai đã học cú pháp Verilog nhưng vẫn còn lúng túng với câu hỏi "Vậy thì nên tạo ra cái gì?". Chỉ với một bo mạch FPGA, bạn sẽ trực tiếp thiết kế bốn loại phần cứng: đồng hồ kỹ thuật số, cảm biến khoảng cách siêu âm, màn hình OLED và cả hình ảnh camera thời gian thực. Độ khó sẽ tăng dần từ đầu ra đến đầu vào·điều khiển, hiển thị và hình ảnh, giúp bạn nắm vững thiết kế kỹ thuật số thông qua việc tạo ra các sản phẩm thực tế có thể nhìn thấy được. Một giáo sư đương nhiệm với 30 năm kinh nghiệm trong ngành bán dẫn sẽ trực tiếp giảng dạy những nội dung đã được kiểm chứng trên FPGA thực tế.

Nhiều người đã học về FPGA và Verilog nhưng lại gặp khó khăn ở câu hỏi "Vậy làm thế nào để trực tiếp tạo ra một bộ tăng tốc AI?". Khóa học này sẽ giải đáp thắc mắc đó. Chỉ với một tấm FPGA phổ thông và các công cụ miễn phí, bạn sẽ bắt đầu từ việc tự tay thiết kế kernel 3×3, trực tiếp huấn luyện CNN, lượng tử hóa các trọng số đã học sang INT8 để đưa vào phần cứng, và cuối cùng là kiểm chứng xem nó có khớp hoàn toàn (Bit-True) với mô hình Python đến từng bit hay không. Với 30 năm kinh nghiệm trong ngành bán dẫn và tư cách là giáo sư đương nhiệm, tôi chỉ dạy những nội dung đã được kiểm chứng trên FPGA thực tế dưới dạng các 'mạch điện hoạt động được'. Thay vì lý thuyết suông, bạn sẽ có được trải nghiệm tự tay thiết kế và chứng minh, từ đó trang bị năng lực thực chiến đáp ứng yêu cầu trong lĩnh vực thiết kế Fabless và chip bán dẫn AI.

Khóa học này thực hiện các bài thực hành liên quan đến mô hình Diffusion trong số các mô hình trí tuệ nhân tạo sinh tạo. Thông qua việc cùng nhau đọc và triển khai bài báo prompt-to-prompt - một bài báo ứng dụng mô hình Diffusion tiêu biểu, chúng tôi hy vọng có thể giúp bạn phát triển khả năng hiểu các bài báo trí tuệ nhân tạo mới nhất.

Không cần biết coding. Chỉ học VIBE Coding nửa ngày là làm được phần mềm không cần code. Cùng thực hành 10 ví dụ (Web Scraping, TTS, Chatbot, Game...), nắm AI coding mới nhất.

* Lộ trình học thực chiến 100%: Không chỉ học ngữ pháp, cấu trúc chương trình tập trung vào thực hành xử lý dữ liệu trực tiếp. * Khóa học tiên quyết để chinh phục Machine Learning: Hệ thống hóa hoàn hảo các kỹ thuật tiền xử lý bắt buộc phải biết trước khi học AI. * Làm chủ công cụ phân tích dữ liệu: Chinh phục các tính năng cốt lõi của Numpy (tính toán số học) và Pandas (kiểm soát dữ liệu). * Rút ra Insight thông qua trực quan hóa: Truyền đạt kỹ năng trực quan hóa dữ liệu bằng Matplotlib và Seaborn. * Củng cố nền tảng thống kê: Học các kỹ thuật phân tích nhóm và thống kê cơ bản để nắm bắt đặc tính của dữ liệu.

Tìm hiểu cách hiểu các mô hình học máy nâng cao mà không cần toán học và dễ dàng triển khai chúng bằng Python.

Trong thời đại AI có thể lập trình thay con người, nếu bạn đang cảm thấy mông lung không biết nên học gì, thì câu trả lời chắc chắn nằm ở bản chất không thay đổi của hệ thống: UNIX và nguyên lý Kernel. Khóa học này thông qua dự án thực tế kết hợp giữa Node.js và công cụ ngôn ngữ C (FFmpeg), sẽ truyền tải tầm nhìn của một kiến trúc sư (architect) thuộc top 1% - những người có khả năng điều phối toàn bộ hệ thống mà không bị lung lay bởi các xu hướng công nghệ nhất thời.

Python, nếu bạn muốn viết mã hiệu quả hơn? Ngay cả khi bạn triển khai chức năng tương tự, nếu bạn muốn viết mã hiệu quả hơn, việc hiểu cấu trúc dữ liệu và thuật toán trong Python là điều cần thiết. Sau khi tham gia tổng cộng 8 giờ giảng bao gồm lý thuyết và thực hành từ người hướng dẫn chuyên gia Python, bạn có thể sử dụng. Python để tạo ra kết quả xuất sắc Bạn có thể tạo nó.

Với lộ trình học tập bài bản gồm 40 bài giảng, bạn sẽ được học từ lý thuyết cơ bản về AI đến các kỹ thuật AI ứng dụng của từng thuật toán. Thông qua việc học và thực hành thuật toán bằng ngôn ngữ R cùng tư duy toán học trực quan, bạn sẽ trang bị được năng lực phát triển mô hình AI có thể áp dụng ngay vào thực tế, từ việc xây dựng và lựa chọn sử dụng các mô hình thuật toán cho phân tích dữ liệu, học máy (machine learning) và các công cụ ứng dụng liên quan.

Hash, Salt, JWT, khóa đối xứng và khóa bất đối xứng, cùng với HTTPS và TLS. Nền tảng của bảo mật mà chúng ta sử dụng hằng ngày nhưng vẫn luôn mơ hồ và canh cánh trong lòng. Vô số mối đe dọa và khoản nợ kỹ thuật bị bỏ ngỏ—nếu một ngày nào đó buộc phải đối mặt, hãy giải quyết triệt để ngay lần này.

Việc sử dụng ChatGPT và việc thực sự phát triển một dịch vụ AI tạo sinh là hoàn toàn khác nhau. Đó là bởi vì bạn cần phải thành thạo từ việc gọi API đến quản lý trạng thái hội thoại, đầu ra có cấu trúc, gọi hàm (function calling), RAG dựa trên tài liệu, liên kết MCP và triển khai AI Agent. Trong khóa học này, dựa trên kinh nghiệm giảng dạy phân tích dữ liệu và AI lâu năm, tôi sẽ giải thích các khái niệm phức tạp tập trung vào thực hành bằng Python. Chúng ta sẽ học từng bước từ nguyên lý của AI tạo sinh đến OpenAI Responses API và các tính năng đa phương thức (multimodal), RAG dựa trên File Search, liên kết công cụ bên ngoài và Agents SDK để hoàn thành một ứng dụng AI hoạt động thực tế.

Kiểm tra mã hóa [ ALL IN ONE ] ✔️ Hoàn thành trong một bài giảng

Từ perceptron đến lan truyền ngược, bạn sẽ học một cách có hệ thống các lý thuyết toán học cốt lõi của mạng nơ-ron và trực tiếp triển khai chúng bằng mã R. Bạn sẽ củng cố vững chắc nền tảng của học sâu như hàm kích hoạt, phương pháp hạ gradient, mạng nơ-ron nhiều lớp, đồng thời phát triển khả năng giải quyết các bài toán phân loại bằng cách sử dụng các bộ dữ liệu thực tế.

Hãy tự tay tạo ra mô hình phân tích giá cổ phiếu mạnh mẽ, phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu bằng AI để dự báo không chỉ S&P 500, QQQ ETF mà còn cả các mã cổ phiếu riêng lẻ!

Bạn có thể hiểu nguyên lý hoạt động lý thuyết của Bộ lọc Kalman (Kalman Filter) thông qua các ví dụ đơn giản.

Chúng tôi hy vọng rằng qua khóa học này, các bạn sẽ hiểu ngữ pháp rõ ràng hơn và tự tin hơn khi giải quyết vấn đề.

Khái niệm và thực hành Agent cùng một lúc?! Quy trình tích hợp liền mạch, hoàn thiện dựa trên OpenClaw. (Khuyên dùng Mac)

Đây là khóa học nhập môn Python dựa trên giáo trình tương tác. Bạn sẽ hiểu được nguyên lý hoạt động của lập trình thông qua các trò chơi board game dễ thương.

Chỉ cần nhập mã chứng khoán (ticker) của doanh nghiệp Mỹ, hệ thống sẽ tự động thu thập dữ liệu tài chính kế toán, phân tích đối thủ cạnh tranh, tin tức gần đây và thông tin giá cổ phiếu, sau đó sử dụng OpenAI GPT API để phân tích chuyên sâu và tạo báo cáo đầu tư chuyên nghiệp. Kết quả cuối cùng sẽ được tự động tải lên Notion. Thông qua việc làm quen với các khái niệm và thuật ngữ tài chính kế toán cơ bản, ngay cả các kỹ sư cũng có thể ứng dụng vào việc phân tích đối thủ (benchmarking), thuyết phục cấp trên hoặc lập kế hoạch cho các giải pháp mới. Bạn sẽ được học cách xây dựng máy chủ API hiệu suất cao bằng Python và FastAPI, đồng thời rèn luyện các kỹ năng thực chiến về lập trình bất đồng bộ, tích hợp AI và Fintech. Khóa học hỗ trợ cả những người mới bắt đầu có thể dễ dàng theo kịp để hoàn thiện một hệ thống có khả năng ứng dụng vào đầu tư và kinh doanh thực tế, giúp bạn phát triển thành một nhà phát triển nhạy bén trong kỷ nguyên AI.

Bạn muốn học AI nhưng lần nào cũng bị khựng lại trước các công thức đại số tuyến tính? Thay vì bắt bạn học thuộc lòng các công thức, khóa học này sẽ giúp bạn tận mắt chứng kiến các vectơ và ma trận thực sự chuyển động như thế nào trong không gian. Sau khi hoàn thành khóa học, bạn có thể tự mình đọc hiểu toán học đằng sau mạng thần kinh, PCA và SVD.

Ngay cả những người thực sự chưa từng biết một chút gì về lập trình cũng có thể tạo ra phần mềm tự động hóa chỉ bằng vài cú nhấp chuột, thật đấy.

Nếu bạn yêu cầu AI "hãy tạo mô hình bằng dữ liệu này", vài dòng đầu tiên trông có vẻ hợp lý, nhưng chỉ cần phức tạp hơn một chút, nó sẽ sử dụng sai cột, làm rò rỉ dữ liệu (leakage), và dù điểm số tăng lên nhưng mô hình thực tế lại tệ đi. Khóa học này không dạy bạn cách viết prompt tốt hơn. Thay vào đó, nó tập trung vào cách trực tiếp thiết kế một vòng lặp (harness) để Agent có thể hiểu dữ liệu, lập kế hoạch, viết mã, tự xác nhận kết quả và quay lại nếu sai sót. Sau khi thực hành thủ công một vòng lặp năm mảnh của DS-STAR, chúng ta sẽ lần lượt lắp ráp các thành phần: Data Profile Card, Hook, Skill Hierarchy, Independent Verifier và Ablation.