CPU Course Review - 06. TestBench Revision1. TitleFull TestBench in System Verilog2. Category"System Verilog", "BASYS3", "VIVADO" 3. Key ConceptsMonitor, Scoreboard 4. Setup모니터(monitor), 스코어보드(scoreboard)를 추가적으로 구현하여 Full TestBench를 구현한다. 5. Codesalmon1113.tistory.com위 과정에서 UVM과 유사한 환경을 구성하여 Testbench를 작성해보았다. 본 게시글에서는 Chipverify 사이트 내용을 참고하여 UVM에 대해 본격적으로 공부해보고자한다.https://www.chipverify.com/tu..

최근 Nextchip의 APACHE5 플랫폼을 활용한 실습을 진행하면서, Embedded Linux와 FPGA가 결합된 환경을 실제로 경험하게 되었다.결국 실제로 동작하는 하드웨어 로직은 대부분 OS와 함께 구동되는 구조라는 것을 느끼게 되었고, RTL 엔지니어는 자신이 설계한 블록이 리눅스 시스템 내에서 어떻게 인식되고, 어떻게 제어되는지를 이해할 필요가 있다고 느껴 Embedded Linux에 대한 공부를 시작하고자 한다.임베디드 리눅스 자동차 분야 전문가 로드맵 1주차: 리눅스 시스템 구조와 부트 과정 이해학습 개념:임베디드 리눅스 시스템은 전원을 켠 후 부트 ROM → 1차 부트로더 → 2차 부트로더 → 커널 → 루트파일시스템 초기화의 다단계 부트 과정을 거칩니다. 일반적인 임베디드 하드웨어에서는..

1. AlexNet (Multi GPU, Data Augmentation)AlexNet은 2012년 ImageNet 대회에서 압도적인 성능 향상을 보여준 모델로, CNN이 부활하는 계기가 되었음. * Multi-GPU Training 당시 GPU 메모리 한계로 인해 네트워크를 두 개의 GPU에 병렬 분산해 학습. -> 레이어를 나눠서 각각의 GPU에서 계산하고, 일부 레이어는 동기화함. -> 병렬 컴퓨팅 도입으로 학습 시간 단축.* Data Augmentation 훈련 데이터에 랜덤 크롭, 좌우 반전, 밝기 변화 등의 변형을 추가해 모델이 더 일반화되도록 학습시킴. ->  Overfitting 감소 + 더 다양한 feature 학습 가능2. Sigmoid -> ReLU기존 CNN에서는 Sigmoid, t..

1. FCN에서 CNN(LeNet)으로기존 FCN은 입력 이미지를 1차원 벡터로 Flatten 해서 처리했기 때문에, 이미지의 공간적 정보(위치, 구조 등) 를 전혀 활용하지 못했다. 따라서 공간 구조를 보존하면서 특징을 추출할 수 있는 모델, CNN이 등장하게 되었고, 그 대표적인 초기 구조가 바로 LeNet-5이다.2. LeNet의 도입 이유이미지의 공간적 패턴을 활용하기 위함파라미터 수를 줄이기 위한 weight sharing위치에 덜 민감한 특징 추출 (Pooling) Convolution -> Edge, shape, texture와 같은 특징을 자동으로 학습 Pooling -> 불필요한 정보 축소 및 연산량 감소Fully Connected -> 최종 분류3. LeNet 구조 # Input: 1x..

1. 이미지 데이터를 표현하는 방식: Grayscale, RGB, HSV1) Grayscale* 명도를 나타내는 숫자(0 ~ 255)로 표시장점 연산량이 작고 속도가 빠름머신러닝, 엣지 검출, thresholding 등에 유리CNN(Convolutional Neural Network)에서 전처리 시 자주 사용용도 얼굴 인식, 엣지 검출, 필터링 전 단계저장 공간이 중요할 때 (예: CCTV 영상 저장 등)2)  RGB* Red(0 ~ 255), Green(0 ~ 255), Blue(0 ~ 255)의 3가지 색의 명도로 표시장점현실적인 색상 표현 가능 (우리 눈의 인식 방식에 기반)대부분의 디스플레이, 디지털 카메라, 이미지 파일 포맷이 RGB 기반용도일반 사진/이미지 처리OpenCV, PIL 등의 기본 ..

Keras를 이용하면  딥러닝의 핵심 요소인 가설(Hypothesis), 손실 함수(Loss Function), 학습(Training) 과정을 매우 간단하고 명확하게 코드로 구현할 수 있다. Keras를 이용해서 간단한 MNIST FCN을 구현해보자.import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltfrom tensorflow.keras.datasets import mnistprint("NumPy Version :{}".format(np.__version__))print("TensorFlow Version :{}".format(tf.__version__))print("Matplotlib Version :{}".format(pl..

1. Linear Hypothesis import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltif tf.__version__ >= '2.17.0': from tf_keras import optimizerselse: from tensorflow.keras import optimizersprint("NumPy Version :{}".format(np.__version__))print("TensorFlow Version :{}".format(tf.__version__))print("Matplotlib Version :{}".format(plt.matplotlib.__version__))#######################..

1. 머신러닝을 위한 파이썬 프레임워크/라이브러리 :Tensorflow, Keras, Numpy1) NumPy – 수치 연산을 위한 라이브러리* 핵심 역할: 벡터, 행렬 연산에 최적화된 라이브러리. 머신러닝/딥러닝은 결국 선형대수 기반이기 때문에, 모든 연산의 기본이 됨. X = np.array([[1, 2], # 입력 데이터: 2개의 샘플, 각각 2개의 특징(feature)을 가짐 [3, 4]]) # shape = (2, 2) W = np.array([[0.1], # 가중치(weight) 벡터: 특성 2개에 대한 가중치 [0.2]]) # shape = (2, 1) y ..