06 8位数据比较器设计与功能验证(附源码)


虚拟机:VMware -14.0.0.24051
环 境:ubuntu 18.04.1
脚 本:makefile(点击直达
应用工具:vcs 和 verdi



一、Demand

  1. 比较两个输入字节的大小,三个输出端口,当 a大于b,re=1,其余为0;当 a小于b,reb=1,其余为0;当a等于b时,eq=1,其余为0。
  2. 用行为级描述语句和连续赋值语句实现

二、Block Diagram

在这里插入图片描述在这里插入图片描述


三、Design and Functional Verification

(1)RTL

//-- Solution 1
//-- modified by xlinxdu, 2022/04/25

module compare( 
  //-- interface
  input wire [7:0] a  ,
  input wire [7:0] b  ,

  output reg       re ,
  output reg       reb,
  output reg       eq
);


/*-----------------------------------------------\
 --------------  compare a with b  --------------
\-----------------------------------------------*/
always @ (*)begin
  if(a > b)begin
    {re,reb,eq} = {1'b1,1'b0,1'b0};
  end
  else if(a < b)begin
    {re,reb,eq} = {1'b0,1'b1,1'b0};
  end
  else if(a == b)begin
    {re,reb,eq} = {1'b0,1'b0,1'b1};
  end
  else begin
    {re,reb,eq} = {1'bx,1'bx,1'bx};
  end
end

endmodule

//-- Solution 2
//-- modified by xlinxdu, 2022/04/25
module compare( 
  //-- interface
  input wire [7:0] a  ,
  input wire [7:0] b  ,

  output reg       re ,
  output reg       reb,
  output reg       eq
);

wire re_s,reb_s,eq_s;

assign re_s  = (a > b) ? 1'b1:1'b0;
assign reb_s = (a < b) ? 1'b1:1'b0;
assign eq_s  = (a == b)? 1'b1:1'b0;

always @ (*) begin
  {re,reb,eq} = {re_s,reb_s,eq_s};
end
endmodule

(2)Test Bench

//-- modified by xlinxdu, 2022/04/25

module tb_compare;
  reg [7:0] a  ;
  reg [7:0] b  ;

  wire      re ;
  wire      reb;
  wire      eq ;

initial begin
  a = 8'b0;
  b = 8'b0;
end

always begin
  #100;
  a = {$random}%255;
  b = {$random}%255;
end

compare tb_compare(
                   .a  (a  ),
                   .b  (b  ),
                   .re (re ),
                   .reb(reb),
                   .eq (eq )
                  );


initial begin
  #10000 $finish;
  
  $fsdbDumpfile("compare.fsdb");
  $fsdbDumpvars            ;
  $fsdbDumpMDA             ;
end

endmodule

四、Result

(1)Solution 1

在这里插入图片描述

(2)Solution 2

在这里插入图片描述

  由上述结果可知,无论是行为级描述语句,还是连续赋值语句,在使用同一个测试平台的时候,结果是一样的。由结果可知,模块数据通路是正常的,功能验证通过。


作者:xlinxdu
版权:本文是作者原创,版权归作者所有。
转载:未经作者允许,禁止转载,转载必须保留此段声明,必须在文章中给出原文连接。

  • 22
    点赞
  • 28
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
PyTorch是一种流行的深度学习框架,用于构建和训练神经网络。通过使用PyTorch框架,我们可以对花的种类进行识别。为了训练我们的模型,我们可以使用Kaggle数据集中提供的图片和标签。 首先,我们需要导入PyTorch库以及其他必要的依赖项,并设置训练和测试的超参数,如批处理大小、学习率和训练时的迭代次数。 接下来,我们可以使用PyTorch的数据加载器来加载训练和测试数据集。我们可以将训练集和测试集的图像和对应的标签存储在列表或张量中。我们还可以使用数据增强技术来生成更多的训练样本,例如随机旋转、缩放和翻转图像。 然后,我们需要定义我们的神经网络模型。我们可以使用预训练的卷积神经网络(如ResNet、Inception等)作为特征提取器,然后将其与全连接层组合,最后输出类别预测。我们可以选择解冻部分或全部的卷积层,并在训练过程中进行微调。 接下来,我们可以选择适当的损失函数,如交叉熵损失函数,以及优化算法,如随机梯度下降(SGD)或Adam。我们将利用训练数据集来最小化损失函数,并根据验证集的表现进行模型选择和调整超参数。 最后,我们可以使用测试数据集来评估模型的性能。我们将计算模型在测试数据集上的预测结果,并与真实标签进行比较,以计算准确率、精确率、召回率等评估指标。 总结来说,使用PyTorch框架和Kaggle数据集,我们可以构建一个用于花种类识别的神经网络模型。我们将从数据加载开始,定义模型结构和超参数,训练模型并评估其性能。这样,我们就可以使用源码进行花种类的识别。

“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

打赏作者

xlinxdu

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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