艾鍗學院獨家研發 STM32 開發板

 

📌STM32嵌入式開發實戰課程  https://www.ittraining.com.tw/ittraining/course/firmware/stm32

資源連結：

1. STM32F411晶片規格
2. 艾鍗STM32開發板電路圖

深入淺出 FPGA 網路實作：從「精簡版手刻電路」到「完整版 TSE IP」架構解析

 

在開發 Altera Cyclone V SoC FPGA（如 DE10-Nano）時，網路功能一直是學員最感興趣也最具挑戰性的部分。許多同學會問：「為什麼有的範例可以直接上網，有的卻只能傳送簡單的封包？」

本文將透過精簡版(手刻邏輯) 與 完整版(TSE IP + Linux)兩種架構的對比，帶您看懂 FPGA 網路通訊的底層邏輯。

---

一、 精簡版架構：理解 RGMII 協議的敲門磚

精簡版的目的不在於「連接網際網路」，而是為了讓開發者掌握如何透過 Verilog 直接驅動外部的 Ethernet PHY 晶片。

1. 系統組成與資料流

如【圖一】與【圖二】所示，精簡版架構跳過了複雜的 MAC IP，直接在 FPGA Fabric（邏輯閘陣列）中實作：

• Ethernet Frame Generator: 負責根據 RGMII 協議產生傳送封包。
• Ethernet Frame Receiver: 負責解析從網線進來的原始資料。

【圖一】

【圖二】

2. 關鍵技術：LOANIO 的橋接

由於 Cyclone V 的硬體設計限制，FPGA Fabric 要存取特定的 Ethernet PHY 引腳，必須經過 HPS LOANIO 進行「借用」。如【圖三】所示，這是一種雙向 IO 的配置方式。

在程式碼實作上（參見【圖三】的 Verilog 程式片段），我們需要手動指派 loan_io_out 與 loan_io_in，將 FPGA 內部的訊號與實體引腳掛鉤：

Verilog

// 範例：將 FPGA 內部訊號對接到 LOANIO 引腳

assign loan_io_out[14] = HPS_ENET_GTX_CLK;

assign HPS_ENET_RX_CLK = loan_io_in[24];

【圖三】

3. 時序與訊號實作

根據 RGMII 100Mbps 的波形規範【圖四】，資料是在時鐘的邊緣進行傳輸。

*實務上 RGMII 可支援到 1000Mbps (Gigabit)，但在精簡版手刻實驗中，為了簡化時序處理，通常先從 100Mbps 開始。

• 傳送端【圖五】: rgmii_tx_gen 模組負責將資料對齊時鐘送出。
• 接收端【圖六】: 透過 rx_payload_cnt 計數器與 rx_payload 暫存器，在每個時鐘邊緣重組封包位元組（Byte）。

【圖四】

【圖五】

【圖六】

---

二、 完整版架構：實現 Linux 上網的標準方案

當您的需求是「執行 Linux 並開網頁」或「進行 Socket 通訊」時，就必須採用【圖七】所示的完整架構。

【圖七】

1. 核心元件：TSE IP

完整版使用 Altera 官方提供的 Triple Speed Ethernet (TSE) MAC IP，取代了前面辛苦手刻的 Generator 與 Receiver。TSE IP 處理了所有乙太網路層的複雜協議（如 CRC 校驗、前導碼處理等）。

2. 資料高速公路：msgdma

為了讓 HPS（ARM CPU）能處理網路資料，中間必須建立一條高速通道。這裡使用 msgdma (Modular Scatter-Gather DMA)，將網路封包直接搬移到 HPS 的 DDR3 記憶體中，大幅降低 CPU 參與資料搬移的負擔，提升整體網路處理效率。

3. 軟硬體整合：Linux Driver

有了上述硬體配置後，在 Linux 核心中載入對應的 Ethernet Driver。對作業系統而言，它看到的是一個標準的 eth0 介面，這時才能叫醒那隻「網路小精靈」，實現真正的上網功能。

---

三、 總結：我該選擇哪種架構？

我們將兩者差異整理如下表：

特性	精簡版 (Hand-coded Verilog)	完整版 (TSE IP + DMA)
主要目的	學習 RGMII 協議、底層時序控制	實際應用、Linux 系統整合
通訊層級	實體層/資料鏈結層 (Partial)	完整的 MAC 層支援
複雜度	低，僅需基礎 Verilog 知識	高，需配置 Qsys (Platform Designer)
軟體支援	無，需自行處理資料	支援標準 Linux Network Stack

老師的建議：

如果您是初學者，建議先從精簡版下手，理解訊號如何在 FPGA 與 PHY 之間流動（【圖六】的接收邏輯是很好的練習）。一旦掌握了基礎，再進階到完整版架構，屆時您對 Preloader 的重製與 Linux Driver 的掛載將會有更深刻的體會。

📌 艾鍗學院FPGA課程 https://www.ittraining.com.tw/ittraining/course/hardware/fpga

AI 算力新戰場：當 LPU 挑戰 GPU，推論時代的架構革命

當 AI 從雲端走向裝置端，市場需求發生了本質改變：追求低功耗、低延遲、即時互動與本地隱私。目前 AMD 與 Intel 全面主攻 AI PC 推論市場，無論是 Windows、Copilot 或 Edge AI，全部皆圍繞 Inference 打造。

LLM 的發展趨勢也開始「縮小模型、提高反應速度」。NVIDIA 雖然清楚 GPU 在「訓練」領域仍是王者，但推論市場不一定非 GPU 不可。這也是為什麼像 Groq 這樣的公司，以 LPU 架構（Chip + SRAM）展現出領先的高速推論能力，試圖與 NVIDIA GPU 並行發展。

技術瓶頸的突破 

• GPU： 依賴 HBM（高頻寬記憶體）。為了訓練大模型，它追求極致的吞吐量 (Throughput)，適合一次處理海量數據，但在單次生成的延遲上較難妥協。

• LPU ： 針對 LLM 的特性設計。由於 LLM 是「一個字猜一個字」的循序輸出，記憶體存取速度才是瓶頸。LPU 透過內建 SRAM 消除記憶體牆 (Memory Wall)，在即時對話的速度上，表現遠超傳統 GPU。

未來的晶片格局將是「雙軌並行」： 是用 GPU 在雲端訓練出更聰明的大腦，再用 LPU 在你的裝置上實現秒回的互動。AI 硬體的下半場，才正要開始。

Related 

Google TPU步步進逼　黃仁勳出手收購Groq LPU技術反制？

ROC-AUC 不適合作為Anomaly Detection的效能指標

 

ROC-AUC 不適合作為Anomaly Detection的效能指標

在異常偵測任務中，即使模型對正樣本（異常樣本）的辨識能力較差，ROC-AUC 仍可能顯示出看似良好的結果。這是因為 ROC-AUC 同時考慮了 FPR（False Positive Rate），而在實務上正常樣本（TN, True Negatives）通常遠多於異常樣本。當 TN 的數量極大時，即使模型誤判許多異常樣本，也會使 FPR 接近 0，進而高估模型的整體表現。

What is ROC-AUC ?

Uderstanding ROC and AUC 

相關課程

*** 生成式 AI 實務：從基礎模型到 Agentic AI https://shorturl.at/zyJMe [1] 生成式AI能力認證 https://bit.ly/3E09jNs [2] python程式設計 https://bit.ly/359cz4m [3] 資料分析與視覺化 https://bit.ly/3XEaMjj [4] AI機器學習&深度學習 http://bit.ly/2KDZZz4 [5] 非監督式學習 https://bit.ly/422HA8h [6] AI自然語言與推薦系統應用 https://bit.ly/3qnO2Tg [7] TensorFlow Lite for MCU https://bit.ly/3j2fIIt [8] Intel OpenVINO邊緣運算實務 https://bit.ly/3BOPFjB [9] 電腦視覺演算法 https://bit.ly/3iOpC2x

GAN vs Conditional GAN：概念差異與去噪任務的應用

Standard GAN :

1. Generator (G)：輸入隨機噪聲 $z\sim N(0,1)$，輸出 fake image
2. Discriminator (D)：輸入一張圖像（可能來自真實 MNIST，也可能是 G 的 fake），判斷 real/fake
• 是MNIST 資料集的圖像 → 標記為 real (y=1)
• G(z) 生成的假圖像 → 標記為 fake (y=0)
3. D 不需要 paired data，只要能看到真實數據與生成數據
4. 訓練過程中，G 會逐步學會把隨機 z 映射到「看起來像 MNIST 分佈」的圖像

  

Conditional  GAN 

想要生成「數字6」，就給模型條件 

• $y=6$，生成器要輸出像「6」的圖片，而不是別的數字。
• 圖片裡面打叉的「2」就是說：雖然它來自分佈，但不符合條件（y=6），所以不是正確輸出

Conditional GAN:

 Learn a mapping from condition → target (e.g. noisy → clean)

• Discriminator (D)：同時看 (noisy, clean) 或 (noisy, fake)


• (noisy, clean) → 應該判斷為 real (y=1)




• (noisy, fake) → 應該判斷為 fake (y=0)


• D 的角色不只是判斷「像不像真實圖像」，還要檢查「輸出和 noisy 是否對應」


• 透過 Binary Cross Entropy loss，D 訓練得更會分辨；而 G 則被迫學到正確 mapping (noisy → clean)

 

衡量降噪後的語音品質指標:SNR, PESQ, STOI

 

衡量降噪後的語音品質與可理解度的效能評估指標：

• 訊噪比（SNR）
• 語音品質感知評估（PESQ）
• 短時客觀可懂度（STOI）
  
  

SNR → energy ratio (engineering view).

兩個訊號能量比

\[ \text{SNR} = 10 \log_{10} \frac{\|s\|^2}{\|s - \hat{s}\|^2} \]

PESQ 

在 20 世紀 90 年代末至 2000 年 ITU-T 標準化階段，研究人員對大量人類受試者進行了聽覺測試。一段語音會由一群人主觀評分，分數範圍 1 = 差，5 = 優，這種平均分數稱為 MOS（Mean Opinion Score，平均意見分數），代表人耳對語音品質的主觀感受。

PESQ（Perceptual Evaluation of Speech Quality）

目標:  PESQ(x, x′) ≈ MOS(x′), 即   (x, x')  ---> PESQ 模型 --->  MOS-like 的分數 

在當年的人類測試中，受試者只聽 $x′$，然後給出 MOS(x′) 作為品質評分。但這種方式需要大量受試者，成本高、速度慢。因此，我們希望有一個模型（例如 PESQ），它能同時利用 $(x,x\prime )$ 做比較，並且自動算出一個與 MOS 接近的分數（MOS-like），就能取代昂貴的主觀實驗

要建立 PESQ，必須先有: clean 語音 $x$和經過 degradation 的 $x′$，還有 MOS(x′) 作為 ground truth。 這個 PESQ 可以模擬人耳如何聽到「差異」, 並自動輸出一個介於 –0.5 到 4.5 之間的類 MOS 的分數， 數值越高代表語音品質越好（越接近原始乾淨語音）。

 STOI (Short-Time Objective Intelligibility)

STOI 衡量的是 乾淨語音 vs 處理後語音 在 短時頻帶能量包絡 上的相關性

• 基於短時頻帶的相關性 → 相關係數愈高 → 語音可懂度愈好

• 分數範圍介於 0 ~ 1：

  • 越接近 1 → 表示語音幾乎完全可懂

  • 越接近 0 → 表示語音幾乎無法理解

在頻帶處理上，STOI 使用 1/3-octave band filters，這是一組模仿人耳頻率解析度的濾波器，把語音分解成符合聽覺特徵的頻帶。STOI 並不是直接比較波形，而是比較這些 能量包絡 的相似性。這是因為人耳在理解語音時，主要依靠的是 振幅起伏模式（例如母音的共振峰、子音的爆破音）。這些較慢的振幅變化（約 10–50 Hz 範圍）就是所謂的 能量包絡，而它們正是影響可懂度的關鍵。

YOLO 物件偵測的兩大誤判：漏檢與誤檢

 

模型常見的兩種誤判情況

1. 漏檢 (False Negative)
在標註階段，如果一張圖片中實際有 3 個 A 物件，但標註時只框選了其中 1 個，那麼剩下的 2 個未被標註的 A 物件，在模型訓練時就會被誤當作「背景」。這會造成模型學到錯誤資訊，認為「某些 A 物件其實是背景」，結果在預測時無法正確辨識，導致漏檢的情況發生，並使召回率 (Recall) 顯著下降。

2. 誤檢 (False Positive)
舉例來說，在黑熊偵測任務中，大型黑狗、山豬，甚至陰影下的其他動物，都可能因外觀特徵相似而被模型誤判為黑熊。這就是誤檢 (False Positive)。

為了減少誤檢，可以在訓練過程中加入「負樣本 (Negative Samples)」。所謂負樣本，是指那些容易被誤判成黑熊的圖片（如黑狗、山豬等），但不提供任何標註框。YOLO 的訓練機制中，如果模型讀取到一張圖片（例如 dark_dog.jpg），卻找不到對應的標註檔（.txt 檔），它會自動將該圖片視為「負樣本」。透過學習這些負樣本，模型能更準確地掌握「背景」與「非目標物」的特徵，進而提升判斷力，有效降低誤檢發生率。