数字集成电路设计-19-pipeline的写法

引言

之前,我们介绍了数字设计中一些基本组合逻辑的写法(http://blog.csdn.net/rill_zhen/article/details/39586191)以及状态机的写法(http://blog.csdn.net/rill_zhen/article/details/39585367),本小节我们通过一个小实验来熟悉一下pipeline的写法。

在多数的资料和教课书中提到pipeline时,大多只是解释概念,很少介绍其具体RTL实现的,给人一种高达上的感觉。有的资料中会提到具体写法,但大多采用pipe_ready、pipe_hold信号来控制流水线的暂停和继续。

那种写法在流水线较简单时还比较容易,一旦流水线变得复杂,尤其是有些stage还包含子流水线时,pipe_ready/pipe_hold的逻辑就变得很杂乱,以致容易出错。本小节我们介绍另外一种写法,将valid/ready协议和pipeline结合在一起。

关于valid/ready协议,我们之前已经介绍过了,请参考(http://blog.csdn.net/rill_zhen/article/details/44219593)。

将每个stage都解耦合,认为是独立的逻辑单元,所有stage只和自己的上一级和下一级交互,并且采用valid/ready握手协议进一步解耦合。这样设计的pipeline,不仅界限清晰,而且接口简单,耦合度低。便于以后的扩展,debug起来也很容易定位问题。


1,代码清单

下面我们设计一个3级全流水模块,采用上述思路进行编码。


pipeline.v:


/*
* pipeline example
* Rill 2015-05-11
*/


module Mpipeline
(
	input clk,
	input rst_n,
	
	input en_i,
	input [7:0] data_i,
	
	output en_o,
	output [7:0] data_o,
	
	output idle
);

	wire rdy_pb2pa;
	wire vld_pa2pb;
	wire [7:0] data_pa2pb;
	
	wire rdy_pc2pb;
	wire vld_pb2pc;
        wire [7:0] data_pb2pc;
   
	
	wire rdy_pa;
	
	Mpa pa
	(
	.clk (clk),
	.rst_n (rst_n),
	.valid_i (en_i),
	.data_i (data_i),
	
  • 10
    点赞
  • 47
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
scikit-learn的pipeline是一种方便的工具,可以将数据预处理和机器学习模型训练组合成一个流程,以便于快速迭代和调整。pipeline可以将多个步骤组合成一个整体,从而简化代码和工作流程。 pipeline的基本用法如下: 1. 导入所需的模块和数据 ```python from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split ``` 2. 准备数据集,并将其划分为训练集和测试集 ```python iris = load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42) ``` 3. 创建pipeline对象,并将数据预处理和模型训练步骤添加到pipeline中 ```python pipeline = Pipeline([ ('scaler', StandardScaler()), ('logistic', LogisticRegression()) ]) ``` 4. 使用pipeline进行训练和预测 ```python pipeline.fit(X_train, y_train) y_pred = pipeline.predict(X_test) ``` 在上面的代码中,我们首先定义了一个pipeline对象,包含两个步骤。第一个步骤是数据标准化(使用StandardScaler),第二个步骤是逻辑回归模型的训练(使用LogisticRegression)。然后我们使用fit方法对pipeline进行训练,并使用predict方法进行预测。 需要注意的是,pipeline中的每个步骤都必须是一个scikit-learn中的转换器(transformer)或估计器(estimator),并且每个步骤的输出都必须与下一个步骤的输入类型相匹配。在例子中,StandardScaler是一个转换器,它将数据标准化为均值为0,方差为1的形式,而LogisticRegression是一个估计器,它使用标准化后的数据进行训练和预测。 pipeline的另一个好处是可以使用GridSearchCV(网格搜索)来对pipeline中的超参数进行调优,以找到最佳的模型参数组合。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值