目錄一、基本rtl模型
1.if的模型
2.if-else if的模型
3.else 的模型
二、避免產生鎖存-latch
1.latch的產生
2.消除latch
三、避免綜合過度優化
1.過度優化的產生
2.避免過度優化的方法
rtl模型為乙個比較器
rtl模型為多個比較器，每個比較器的參考電壓值為if-else if語句內比較的值
可將電路分為兩級，第一級為n個比較器，當進入else的狀況時，n路比較器輸出全為0，再用這n路0進行組合邏輯產生else內部需要的結果
以上述**為例，當cmd= =2』b0 | cmd= =2』b1 均不滿足時，兩路比較器輸出均為0，可看作第一級電路；
然後，二號比較器的輸出結果取反，接到done[0]=1』b1;
同時，二號比較器的輸出結果作為mux的選通訊號，位址0輸出，輸出內容為一號比較器的輸出結果取反，即輸出1，done[1]=1』b;
於是兩路比較器的輸出結果經過組合邏輯電路實現
else begin done =2』b11; end
使用條件選擇電路，如果不設定冗餘項，會產生鎖存，即latch
鎖存器可以理解為帶復位與置位的暫存器，復位輸出為0，置位輸出為pre端連線值
(1)if加else，case加default
(2)賦初值
在if-else if電路中有一種情況，綜合時會被過度優化。當if -else if列舉出所有的情況，並按照消除latch的思路加上冗餘的else項後，會產生以下結果
此時**出來的結果已經不正常了，說明電路被過度優化。
產生優化的原因，猜測如下：根據生成else 電路的思路，四路比較器輸出均為0，則需要用這4個0產生組合邏輯，得到done = 2』b00;
但是，done = 2』b00是if(cmd==2』b00)的結果，於是中間的三個比較器均被優化掉了。綜合電路優化的規則是從第一級輸入到輸出，我們所需要的中間幾個比較器反而被判定為冗餘邏輯，而被優化掉了。
將帶有優先順序的if -else if改為多個並行的if塊
但這樣一來，由於無法使用else設定冗餘項，又會產生latch.
於是引用消除latch的思路2：賦初值
成功避免了過度優化與latch的問題。
神經網路模型Tricks歸納
如無特殊說明,按以下計 線性層 l 為 h x w b 全連線層 fc 為 線性層l relu層 softmax層 s 為 softmax x frac e 卷積函式 conv 為 h conv2d x,w b 卷積層 conv 為 卷積函式 relu 池化 dropout手段 drop 為 每次訓...
SICP歸納 6 副作用與環境模型
雖說叫做 顯得不太好聽，但在lisp中 還是非常重要的。而相對於所有狀態都必須顯式地操作和傳遞額外引數的方式，如果引進賦值和將狀態隱藏在區域性變數中，那麼就可以用更加模組化的方式來構造系統。正如你所知道的，不用任何賦值的程式設計稱為函式式程式設計。相反，廣泛採用賦值的程式設計稱為命令式程式設計。在c...
歸納偏置 歸納偏差 inductive bias
歸納偏置 歸納偏差 inductive bias 歸納偏差 中的 偏差 容易讓人想到資料估計中估計值與真實值的差別error，會讓人認為 歸納偏差 是某種需要被規避的錯誤 誤差，但事實並非如此，inductive bias在機器學習中起到的是積極作用。更合適的翻譯應該是 歸納偏置 歸納是自然科學中常...