JD Tech Now

ONNX로 변환하고 양자화까지!

NPU를 위한 모델 최적화 실습 가이드

안녕하세요!
비전공자의 시선으로 NPU를 공부하며 정리해온 블로그 시리즈, 이번에는 직접 손을 움직여보는 실습 편입니다.

저는 Furiosa NPU에 영감을 받아, NPU가 필요한 이유와 구조를 하나하나 공부하고 있습니다.
이번 실습은 실제 FuriosaAI SDK를 사용하는 것은 아니지만,
NPU에서 잘 돌아갈 수 있는 모델을 어떻게 준비할까?라는 관점에서 진행해봤습니다.

1. ONNX가 뭐고 왜 필요한가?

ONNX(Open Neural Network Exchange)는 PyTorch, TensorFlow, Keras 등 다양한 딥러닝 프레임워크에서 학습된 모델을 하나의 통일된 포맷으로 표현하기 위한 오픈 포맷입니다.

딥러닝 모델을 다양한 환경에서 활용하려면 ‘통역기’가 필요합니다.
ONNX는 바로 이 역할을 합니다.

예를 들어, PyTorch에서 학습한 모델을 TensorRT, EdgeTPU, NPU 등의 하드웨어에서 사용하고 싶을 때, ONNX로 변환하면 중간 다리 역할을 해줍니다.

특히 대부분의 NPU는 자체 프레임워크 대신 ONNX 기반 최적화 툴을 활용해 모델을 추론 엔진에 적재하므로, ONNX는 NPU 실습을 위한 첫 준비 단계라고 할 수 있습니다.

2. PyTorch 모델을 ONNX로 변환하기

ONNX 변환은 PyTorch의 torch.onnx.export() 함수를 사용하면 간단하게 수행됩니다.

✅ 예제 모델: torchvision의 resnet18

import torch
import torchvision.models as models

model = models.resnet18(pretrained=True)
model.eval()

dummy_input = torch.randn(1, 3, 224, 224)
torch.onnx.export(model, dummy_input, "resnet18.onnx", opset_version=11)

• dummy_input: 입력값의 크기를 기준으로 모델 그래프를 tracing합니다.
• opset_version: ONNX 연산자 버전. 대부분의 NPU 툴은 opset 11 이상을 권장합니다.

변환이 완료되면 resnet18.onnx 파일이 생성됩니다.
이 파일이 바로 다양한 하드웨어 추론 환경에서 사용 가능한 표준 모델입니다.

3. 양자화(Quantization)란?

양자화란 모델 내부에서 사용되는 부동소수점 연산(FP32)을 8비트 정수(INT8) 등으로 변환하여 모델 용량을 줄이고, 연산 효율을 높이는 최적화 기법입니다.

양자화의 주요 목적

• 연산량 감소: 계산 속도 향상 (특히 모바일, 엣지 환경)
• 메모리 사용량 절감: 모델 크기 축소
• 전력 효율 향상: 배터리 기반 디바이스에 유리
• 추론 지연 시간 감소: 실시간 응답이 중요한 서비스에 적합

대부분의 NPU는 INT8 연산을 기본적으로 지원하고, 그에 맞게 모델을 양자화하면 성능은 유지하면서도 훨씬 가볍게 동작시킬 수 있습니다.

4. ONNX 모델 양자화 실습

이번 실습에서는 Post-Training Quantization(사후 양자화)를 사용합니다.
즉, 이미 학습된 모델을 그대로 INT8로 최적화하는 방식입니다.

준비 라이브러리 설치

pip install onnx onnxruntime onnxruntime-tools

🔧 준비물: onnxruntime + onnxruntime-tools

✨ 양자화 코드 (Dynamic Quantization)

from onnxruntime.quantization import quantize_dynamic, QuantType

quantize_dynamic(
    model_input="resnet18.onnx",
    model_output="resnet18_int8.onnx",
    weight_type=QuantType.QInt8
)

• 단 2줄이면 끝! 😎

• resnet18_int8.onnx 파일이 생성되며, NPU 환경에서도 훨씬 가볍고 빠르게 실행 가능한 모델이 됩니다.

5. 전후 비교 (크기 & 정확도)

• 성능은 거의 동일하지만,
• 크기와 추론 속도에서 확실한 차이가 있습니다.

※ 결과는 예시이며, 실제는 하드웨어 및 테스트 환경에 따라 달라질 수 있습니다.

6. 정리하며 – 왜 이게 중요한가?

딥러닝 모델을 실제 하드웨어 위에서 구동하려면 단순히 학습된 모델만으로는 부족합니다.

하드웨어는 연산 방식, 정밀도, 메모리 접근 구조가 다르기 때문에, 그에 맞게 모델을 변환·최적화해야 제대로 된 성능을 낼 수 있습니다.

이번 실습은 NPU가 없어도 체험 가능한 부분부터 시작한 것으로, NPU를 이해하는 첫 단계로 매우 실용적입니다.

다음 글 예고

"NPU 워크로드 설계 전략 – MAC 어레이를 100% 활용하려면?"

이제부터는 단순히 모델을 변환하는 걸 넘어서, NPU 내부 구조에 맞게 Layer 구성, 연산 병렬성, 메모리 최적화 등을 설계하는 전략을 함께 알아보겠습니다.

궁금하신 사항은 댓글에 남겨주세요

댓글에 남겨주신 내용은

추후 정리해서 올려드리겠습니다

구독하시면 업로드 시 알려드릴게요!

-

조금이라도 도움이 되셨다면

공감&댓글 부탁드리겠습니다

감사합니다!

안녕하세요!
이제 8편까지의 NPU 아키텍처 설명을 마치고, 드디어 “이 구조들이 실제로 어디에 어떻게 쓰이는지”에 대해 살펴볼 차례입니다.

아직 전편을 못보신 분들은 아래 글을 참고해주세요!

지금까지는 MAC 어레이, DMA, 온칩 메모리 같은 내부 구조를 이해했다면,
이번 글은 “실제 딥러닝 워크로드가 어떻게 NPU 위에 매핑되는가?”, 즉 실무 활용에 가까운 내용을 다루어보겠습니다.

✅ 이 글 하나로 “이론 + 구조 + 실무 연결”까지 이어지는 큰 그림이 완성됩니다.

1. NPU가 실제로 처리하는 작업들

NPU는 딥러닝 연산에 특화된 하드웨어이지만, 그 내부에서는 연산 그래프(graph) 단위로 작업이 처리됩니다.
이 연산 그래프는 우리가 사용하는 **모델 구조(예: ResNet, BERT)**가 변환된 형태입니다.

대표적인 워크로드는 다음과 같습니다:

2. 모델 → NPU로 올리기 전에 필요한 최적화

모델을 NPU에 올리기 위해선 그냥 PyTorch, TensorFlow 모델을 바로 사용할 수는 없습니다.
→ 반드시 아래 과정을 거쳐야 합니다:

✅ (1) 모델 변환: ONNX로 Export

• PyTorch or TensorFlow 모델 → ONNX로 변환
• NPU SDK에서 ONNX를 인식 가능하게 변환 (furiosa-compiler 등)

✅ (2) 정밀도 축소: Quantization

• INT8, FP16으로 줄여야 NPU 성능 발휘
• Post-Training Quantization or QAT(훈련 중 양자화) 필요

✅ (3) 연산 재배열: Layer Fusion

• Conv → BN → ReLU 를 하나의 연산으로 합치는 등 최적 구조 재배치

3. 워크로드 별 매핑 전략

각 모델 유형에 따라 NPU가 최적화 방식이 다릅니다:

📷 이미지 분류 (ResNet, MobileNet)

• 대부분 Conv 연산이므로 MAC 어레이 효율 극대화 가능
• Pooling과 ReLU는 전용 유닛으로 빠르게 처리
• 대부분의 NPU가 Conv-heavy 모델에 가장 적합하게 설계됨

🚗 객체 탐지 (YOLO)

• 연산량 폭증 (작은 feature map에 많은 필터)
• NPU의 DMA 성능이 관건 → 데이터 병목 최소화 설계 필요
• 양자화 시 정확도 손실 주의

🧠 자연어 처리 (BERT, GPT)

• Self-Attention 구조에서 메모리 소모↑
• 대부분 서버용 NPU에서 처리 (메모리 대역폭 + 캐시 구조 중요)
• Layer Normalization 및 Softmax 연산 최적화 포인트

4. 실제 FuriosaAI SDK 실습 준비 팁

✨ 실습은 다음 편에서 자세히 다루겠지만, 여기서 환경 세팅을 간단히 짚고 넘어가겠습니다.

> ※ 주의: 현재 FuriosaAI의 SDK는 공개 문서가 많지 않아 일반 사용자가 실습하는 데 제한이 있을 수 있습니다.  
> 따라서 본 시리즈에서는 FuriosaAI 아키텍처를 기반으로 한 이론적 시뮬레이션 또는 타 오픈 소스 기반 툴을 활용한 실습 예시로 대체해보겠습니다.

설치 환경

• OS: Ubuntu 20.04 이상
• Python ≥ 3.8
• ONNX 모델 예시: ResNet18 or MobileNetV2
• 설치: pip install furiosa-sdk

furiosa-compiler model.onnx -o compiled_model.enf
furiosa-run compiled_model.enf --input image.jpg

TIP: 양자화가 안 된 모델은 변환 과정에서 오류 발생 가능! 반드시 양자화 후 변환.

5. 마무리 및 다음 글 예고

이번 글에서는 실제 NPU 아키텍처가 다양한 모델에서 어떻게 활용되는지,
그리고 어떤 최적화 전략이 필요한지를 정리했습니다.

다음 글에서는!
“FuriosaAI NPU 실습: MNIST 추론부터 ONNX 모델 최적화까지 따라하기”
를 통해 실제 SDK 설치부터 예제 추론까지 차근차근 따라가 보겠습니다.

📌 요약 정리

궁금하신 사항은 댓글에 남겨주세요

댓글에 남겨주신 내용은

추후 정리해서 올려드리겠습니다

구독하시면 업로드 시 알려드릴게요!

-

조금이라도 도움이 되셨다면

공감&댓글 부탁드리겠습니다

감사합니다!

1. 들어가며

앞서 1~5편 시리즈에서는 딥러닝의 기초 개념부터 학습 및 추론 흐름까지 차근차근 살펴보았습니다:

1. AI·ML·DL의 관계 이해 (1편) – 인공지능 전반과 머신러닝, 딥러닝의 위계 및 상호작용을 정리하여, 왜 딥러닝이 주목받는지를 알게 되었습니다.
2. 뉴럴 네트워크 기본 구조 (2편) – 퍼셉트론에서 다층 신경망까지, 신경망이 어떻게 입력을 받아 출력을 생성하는지 이해했습니다.
3. 활성화 함수의 역할 (3편) – 비선형성을 부여하는 주요 함수들을 비교하며, 모델 성능에 미치는 영향을 체감했습니다.
4. 손실 함수의 개념 (4편) – 학습 목표를 정의하고 최적화를 유도하는 손실 함수의 작동 원리와 종류를 살펴보았습니다.
5. 딥러닝 학습 흐름과 NPU 연관성 (5편) – 학습 단계와 추론 단계에서 NPU의 필요성을 짚어보고, 딥러닝 워크플로우 전체를 조망했습니다.

자, 이제부터 본격적으로 NPU 아키텍처의 심장부로 들어가 보겠습니다!

2. NPU의 4대 핵심 컴포넌트

이제 본격적으로 NPU 안을 들여다볼 차례예요. NPU는 딥러닝 연산에 딱 맞춰 만들어진 하드웨어인데, 크게 네 가지 핵심 부분으로 나뉩니다.

MAC 어레이 (Multiply-Accumulate Array)

온칩 메모리 (On-Chip SRAM/DRAM)

DMA 엔진 (Direct Memory Access Engine)

컨트롤 유닛 & 레지스터 파일

3. 데이터 흐름 파이프라인

NPU 안에서 데이터가 어떻게 이동하는지도 한눈에 보면 이해가 쉬워요. 다음 다섯 단계로 정리해 볼게요:

• 1) 명령어 디스패치: 컨트롤 유닛이 컴파일러가 만든 연산 그래프 명령어를 순서대로 가져옵니다.
• 2) 데이터 프리페치: DMA 엔진이 필요한 입력과 가중치를 외부 메모리에서 미리 온칩 메모리로 불러옵니다.
• 3) MAC 수행: MAC 어레이가 왕창 모인 유닛으로 병렬 행렬 곱셈과 누산 연산을 처리합니다.
• 4) 중간 연산: 활성화 함수나 정규화, 양자화 같은 비선형 연산을 전용 유닛에서 수행합니다.
• 5) 결과 스토어: 연산된 결과를 온칩 메모리나 호스트 메모리로 다시 저장합니다.

💡 이 과정들이 파이프라인처럼 겹겹이 연결되어, 데이터가 멈추지 않고 흐르도록 설계돼 있답니다.

4. 주요 설계 기법과 최적화 포인트

여기서 잠깐!

NPU는 단순히 빠른 연산만이 목적이 아닙니다.
전력 효율, 면적, 발열까지 고려한 정교한 설계가 필요합니다.
NPU 성능을 더 끌어올리는 대표적인 설계 기법들도 알아볼게요

• 스트라이드 접근(Striping)
  데이터를 작은 블록으로 쪼개 MAC 어레이 전반에 골고루 분배해요. 병목 없이 구석구석 연산을 잘 활용할 수 있죠.
• 스파스 매트릭스 가속
  희소(sparse) 행렬, 즉 0이 많은 가중치는 인덱스 기반 연산으로 처리해 불필요한 계산을 줄입니다.
• 파이프라인 딜레이 숨김
  DMA 전송과 MAC 연산을 동시에 돌려, 데이터 전송 대기 시간을 연산 시간에 묻어버리는 트릭이에요.
• 양자화 정밀도 조정
  INT8, INT4 같은 저정밀 연산을 활용해 연산량·메모리 사용량을 뚝! 그러나 정확도 손실은 최소화하도록 세심하게 튜닝합니다.

5. 모바일 NPU vs. 서버 NPU 비교

어떤 환경에서 쓰이느냐에 따라 NPU도 조금씩 달라요. 간단히 비교해 봅시다:

🔍 요약: 모바일은 '즉시성'과 '배터리', 서버는 '대규모 처리량'이 핵심입니다. 따라서 아키텍처와 전력/성능 최적화 방향이 서로 다르게 설계됩니다.

이번 글에서는 NPU 내부의 구조적 요소와 데이터 흐름을 중심으로,

'하드웨어가 어떻게 딥러닝을 가속화하는가'를 살펴보았습니다.

이제 NPU가 단순히 연산만 빠른 칩이 아니라,

효율적인 메모리 구조와 정밀한 제어 장치를 포함한 복합적인 시스템이라는 것을 이해하셨을 것입니다.

다음 편에서는 이 구조들이 실제 어떤 응용 프로그램(예: 이미지 분류, 음성 인식, LLM 등)에서 어떻게 활용되는지,

NPU 기반의 딥러닝 워크로드 매핑 전략까지 이어서 살펴보겠습니다.

딥러닝 모델은 데이터를 수백, 수천 번 반복해 학습하며 점점 정교해집니다.
하지만 그렇게 ‘똑똑해지기 위해’ 필요한 건 단순한 알고리즘만이 아닙니다.

이제부터는 모델이 학습하고 추론하는 과정에서
왜 연산이 중요한지, 그리고 왜 GPU를 넘어서 NPU가 필요한지를 자세히 알아보겠습니다.

“앞선 글에서는 딥러닝의 학습 흐름과 NPU의 필요성을 개괄적으로 다뤘다면,

이번 글에서는 GPU와 NPU의 구조 차이, 실제 연산 효율성, 추론 환경에서의 적용성까지 한층 더 깊이 있게 살펴보겠습니다.”

앞선 글을 아직 못 보셨다면 아래 링크를 참고해 주세요:

• 5편: 딥러닝 학습 흐름과 NPU 연관성
• 4편: 손실 함수 이해하기 (MSE & Cross-Entropy)

GPU는 왜 딥러닝에서 각광받았을까?

🎮 GPU의 원래 목적은 '그래픽 처리'

GPU는 본래 3D 그래픽 렌더링을 위해 만들어졌습니다.
그래픽 처리에서는 수천 개의 픽셀과 벡터 연산을 병렬로 계산해야 하므로,
동일한 연산을 대량으로 반복 수행할 수 있는 구조가 필요했습니다.

🧮 이 구조가 딥러닝과 딱 맞아떨어짐

딥러닝은 대표적으로 다음과 같은 계산을 반복합니다:

• 수백~수천 개의 행렬 곱셈
• 수만 개의 비선형 함수 계산(ReLU, Softmax 등)
• 역전파를 통한 기울기 계산과 파라미터 업데이트

이 연산들은 매우 규칙적이고 반복적인 패턴을 가집니다.
이 점에서 GPU의 SIMD(Single Instruction Multiple Data) 구조는
CPU보다 수십~수백 배 빠른 연산 처리 능력을 보여주며,
딥러닝 연구자들에게 ‘신의 한 수’가 되었죠.

왜 GPU로 부족할까?

✅ GPU의 한계 1: 범용 구조로 인해 자원 낭비

GPU는 딥러닝 외에도 게임, 영상 인코딩, 3D 렌더링, 과학 시뮬레이션 등
다양한 목적을 위해 만들어졌습니다.
그래서 내부에는 딥러닝에는 필요하지 않은 회로나 컨트롤 로직이 상당히 많습니다.

📌 예: 딥러닝에는 텍스처 캐시나 픽셀 셰이더가 필요 없음

NPU는 이런 불필요한 요소를 제거하고, 딥러닝 연산(행렬 곱셈, 비선형 변환, 정규화 등)에 최적화된 구조만 남깁니다.

✅ GPU의 한계 2: 전력 소모와 발열

고성능 GPU는 매우 빠르지만 그만큼 전력 소모와 발열도 심각합니다.
서버급 A100 같은 GPU는 300~500W 전력을 소비하며,
일반 노트북이나 모바일 기기에 탑재하기 어렵습니다.

📌 모바일 환경에서는 높은 성능보다는 '낮은 전력당 효율'이 더 중요

✅ GPU의 한계 3: 실시간 추론에 비효율

AI가 실시간으로 반응해야 하는 다음과 같은 환경에서는,

• 스마트폰 음성 인식
• CCTV 얼굴 인식
• 자동차 자율주행 판단

예측 추론 속도(ms 단위) + 전력 효율이 모두 중요합니다.
GPU는 빠르지만 응답 지연(latency)과 전력 소모 측면에서는 NPU보다 불리합니다.

NPU는 어떻게 다른가?

🔍 구조적으로 다른 점

📱 모바일 및 엣지 기기에서 각광

• Apple: A17 칩에 Neural Engine 탑재
• Google: Pixel에 TPU-Lite 내장
• 삼성: 엑시노스 NPU 장착
• 퓨리오사AI: 국내 대표 서버용 NPU 개발사

이처럼 NPU는 ‘서버가 아닌 실생활 기기’에 AI를 심는 핵심 기술이 되고 있습니다.

실제 AI 처리 흐름: GPU와 NPU의 역할 분담

NPU는 학습보다는 주로 추론에 특화되어 있으며, 이를 위해 **정밀도 낮은 연산(INT8, FP16 등)**도 적극 활용합니다.
→ 속도는 빠르고, 연산량은 작으며, 전력 효율은 최고

NPU가 뜨는 시대적 배경

📈 엣지 AI의 급부상

데이터를 모두 클라우드로 보내 분석하는 시대는 지났습니다.

• 개인정보 이슈
• 네트워크 지연 문제
• 실시간 응답 필요

이 모든 문제를 해결하려면, 기기 내부에서 판단해야 합니다.
→ 그래서 NPU는 스마트폰, 자율주행차, IoT 기기에 빠르게 탑재되고 있습니다.

⚡ 연산 효율과 칩 설계 비용의 균형

• GPU는 고성능이지만 크고 비쌉니다.
• NPU는 설계 자유도가 높아, 용도별로 경량화된 AI 칩 제작이 가능합니다.

즉, 소비자 가전에도 AI를 집어넣을 수 있는 유일한 방법이 되는 것이죠.

궁금하신 사항은 댓글에 남겨주세요

댓글에 남겨주신 내용은

추후 정리해서 올려드리겠습니다

구독하시면 업로드 시 알려드릴게요!

-

조금이라도 도움이 되셨다면

공감&댓글 부탁드리겠습니다

감사합니다!

이번 글에서는 딥러닝이 실제로 어떤 방식으로 작동하는지,
그리고 왜 AI 전용 하드웨어인 NPU가 필요하게 되었는지까지를
하나의 흐름으로 이해하고 싶은 분들을 위한 정리글입니다.

https://jdcyber.tistory.com/93

https://jdcyber.tistory.com/97

이제는 뉴럴 네트워크가 실제로 어떤 방식으로 입력 데이터를 받아 예측을 하고,

학습하며 스스로 개선되는지를 자세히 알아보고,

마지막으로 왜 이 모든 과정이 엄청난 연산량을 유발하는지,

그리고 그 연산을 어떻게 처리해야 하는지(NPU)까지 짚어보겠습니다.

순전파(Forward Propagation): 예측의 시작

순전파란?

입력값이 뉴럴 네트워크를 ‘앞으로’ 통과하며 출력값을 생성하는 과정입니다.
예를 들어, 이미지 데이터를 입력하면
→ 신경망이 여러 층을 거치며
→ “이건 고양이다”와 같은 예측을 만들어냅니다.

구체적인 계산 흐름

각 뉴런에서 이루어지는 계산은 다음과 같습니다:

출력값 = (입력값 × 가중치) + 편향 → 활성화 함수 통과

예시:

• 입력값: [0.6, 0.2, 0.9]
• 가중치: [0.8, 0.1, 0.3]
• 편향: 0.2

이 값은 활성화 함수를 거쳐 다음 층으로 전달됩니다.

• ReLU: 음수면 0, 양수면 그대로
• Sigmoid: 값을 0~1 사이로 압축 (확률로 해석 가능)

👉 활성화 함수가 궁금하다면?

https://jdcyber.tistory.com/98

2. 데이터를 층을 따라 전달하며 ‘특징’을 학습한다

딥러닝 신경망은 다음처럼 구성됩니다:

입력층 → 은닉층1 → 은닉층2 → ... → 출력층

• 첫 층: 선, 모서리 등 단순 특징 인식
• 중간 층: 윤곽, 형태 등 중간 패턴 추출
• 마지막 층: ‘고양이냐 강아지냐’ 같은 복잡한 판단

역전파(Backpropagation): 틀린 걸 바로잡는 방식

손실 함수(Loss Function)

먼저 정답과 예측값의 차이를 수치로 계산해야 하겠죠?
이 차이를 계산하는 게 바로 손실 함수입니다.

• 예시: 정답이 1, 예측이 0.7 → 손실은 0.3
• 대표 손실 함수:

👉 손실 함수에 대해 더 알고 싶다면?

https://jdcyber.tistory.com/99

기울기(Gradient) 계산

오차를 줄이기 위해 가중치를 얼마나 바꿔야 할지 계산합니다.
이때 쓰이는 개념이 기울기(Gradient)입니다.
딥러닝 프레임워크는 자동 미분(Autograd)으로 이 계산을 자동 처리합니다.

• 기울기는 쉽게 말해 오차를 줄이기 위해 가중치를 얼마나 바꿔야 하는지 알려주는 방향과 크기입니다.
• 이 과정을 '미분'을 통해 수행하는데, 자동 미분(Autograd) 같은 기술로 프레임워크가 자동 계산합니다.

경사 하강법(Gradient Descent): 조금씩 내려가기

가중치를 한 번에 바꾸는 게 아니라,
조금씩 조금씩 오차가 줄어드는 방향으로 조정합니다.
이게 바로 경사 하강법입니다.

• 학습률(Learning Rate): 얼마나 바꿀지 결정하는 조정값
• ‘경사’를 따라 아래로 내려간다 = 오차가 점점 줄어드는 방향

4. 순전파 + 역전파 = 딥러닝의 핵심 루프

1. 데이터를 넣는다 → 순전파
2. 결과가 틀리다 → 손실 계산
3. 어떻게 고칠까? → 역전파 + 기울기 계산
4. 가중치 조정 → 학습
5. 다시 순전파... 반복!

이 과정을 수백 번, 수천 번 반복하면서 모델은 점점 더 정확해지는 것입니다.

5. 왜 이 모든 연산이 NPU와 연결되는가?

연산량이 엄청나다

• 수천~수만 개 뉴런 × 레이어 × 반복 연산
• 활성화 함수, 기울기, 가중치 업데이트 수백만 번
  → 수억 번의 계산이 순식간에 일어납니다.

CPU만으로는 부족하다

NPU는 딥러닝 연산에 꼭 필요한 구조만 남기고 최적화되어 있어서
→ 전력 효율도 좋고 속도도 훨씬 빠릅니다.

6. 핵심 요약 정리표

마무리하며

지금까지 딥러닝의 기본 작동 원리부터
‘왜 NPU가 필요한지’까지 한 흐름으로 정리해봤습니다.

이 글이 딥러닝 학습 흐름을 이해하는 데 도움이 되었다면,
이후에는 실제로 NPU가 어떻게 생겼고 어떤 구조로 돌아가는지 배워보도록 합시다.

궁금하신 사항은 댓글에 남겨주세요

댓글에 남겨주신 내용은

추후 정리해서 올려드리겠습니다

구독하시면 업로드 시 알려드릴게요!

-

조금이라도 도움이 되셨다면

공감&댓글 부탁드리겠습니다

감사합니다!