通过python实现一个简易的reg_model

python实现简易的register model
摘要由CSDN通过智能技术生成

        register model 在uvm的验证环境里是必不可缺少的一部分,涉及到对dut的寄存器的操作都需要通过register model。register model不同与uvm 其它component,它比较独立。register model里涉及到了一些概念,uvm_filed,uvm_reg,uvm_block。这三者具有层层包含的关系,最终生成一个完整的register_model。如果同过手动的方式去写register_model,对于变动比较的小register_model简单改下就行,但是对于变化比较大的register model就会花费大量时间,考虑到register model的生成是具有一定规律的,因此可以考虑通过python去生成,通过制定一些规则给DE,让DE按规填写excel 表格,然后DV可以根据表格可以生成需要的registermodel

 

from openpyxl import load_workbook
import sys
import numpy as np
import functools 

def reg(reg):#例化reg 内部的filed,filed需要指定各个parameter
    reg_name=reg['reg_name']
    filed_name=reg['filed_name']
    size=reg['size']
    filed_size=reg['filed_size']
    filed_offset=reg['filed_offset']
  
  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
linear_model是scikit-learn库中的一个模块,提供了用于线性回归和广义线性模型的函数。下面是一些linear_model模块的常用函数和示例: 1.普通最小二乘回归(OLS) 普通最小二乘回归是线性回归的一种形式,其中模型假设响应是由一些预测变量的线性组合和一个误差项组成的。OLS估计器通过最小化响应和预测变量之间的残差平方和来估计模型参数。 下面是一个使用OLS回归的例子:[^1] ```python from sklearn import linear_model reg = linear_model.LinearRegression() reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2]) LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False) reg.coef_ ``` 输出: ```python array([0.5, 0.5]) ``` 2.岭回归(Ridge Regression) 岭回归是一种正则化技术,用于在存在共线性的情况下提高线性回归的稳定性。它通过在损失函数中添加一个正则化项来实现,该项对模型参数的平方进行惩罚。 下面是一个使用岭回归的例子:[^2] ```python from sklearn import linear_model reg = linear_model.Ridge(alpha=.5) reg.fit([[0, 0], [0, 0], [1, 1]], [0, .1, 1]) Ridge(alpha=0.5, copy_X=True, fit_intercept=True, max_iter=None, normalize=False, random_state=None, solver='auto', tol=0.001) reg.coef_ ``` 输出: ```python array([0.34545455, 0.34545455]) ``` 3.逻辑回归(Logistic Regression) 逻辑回归是一种用于二元分类的线性模型。在逻辑回归中,模型估计出一个概率,该概率表示给定一些输入变量后,响应变量为某个类别的概率。 下面是一个使用逻辑回归的例子:[^3] ```python from sklearn.linear_model import LogisticRegression X = [[0.5], [1.0], [1.5], [2.0], [3.0], [3.5], [4.0], [4.5]] y = [0,0,0,0,1,1,1,1] clf = LogisticRegression(random_state=0) clf.fit(X, y) LogisticRegression(random_state=0) clf.predict([[1.5]]) ``` 输出: ```python array() ```

“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 1
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