weixin_44781508的博客

代码中，摁住ctrl+左键 可以跳转到函数的定义，XSpi_ReadReg 就是寄存器读，通过基地址+偏移地址。如果接收的寄存器不是空的了，（说明有数据来了），就把DRR接收data寄存器的数据读到fifo缓存里面。3.检查状态寄存器SR，把缓存fifo发到tx的data寄存器(DTR)当发射tx 的fifo没有满的时候，把发射数据写进去。SR状态寄存器，读取SR寄存器32bit内容。4.开启spi设备，CR使能，CR清楚禁止位。最低位，LOOP 是否回环，默认0，不回环。2.定义缓存fifo。

生成block 打开RTL ANALYSIS 然后 上面Winow打开 IO PORT分配端口。GPIO 和EMIO都开启。PL端时钟给80MHz。

查看【XGpioPs_SetDirectionPin】函数，在【xgpiops.c里面】ZYNQ7020 芯片的 BANK35 内，该 BANK 的供电电压为 3.3V。用的vitis 2019.2 步骤不一样，要新建一个工程，读入xsa，上面生成的。然后Bank500有16个IO口，Bank501有38个IO口，共54个；读取的xsa文件是vivado生成的wrapper，每次生成的都不一样。需要注意板子上的跳线帽，启动不是SD启动，是JTAG启动。右键，端口，选择make external。

查找表107，273 39.14 140，537 51.28查找表随机存储器17，457 12.12 19，524 13.56触发器67，278 12.27 81，453 14.95 Block RAMs ( 36 KB ) 264.5 29.00 457 50.11。pynq系列的资源有多少。Table 1: Zynq-7000 and Zynq-7000S SoCs (Cont'd)oo edemmeoDevice NameZ-7007S Z-7012S Z-7014SXC7Z012SXC7Z014SX

当客户使用更大的切片时，它还可以实现吞吐量的近线性改进，在切片大小增加 12 倍（从 512 个芯片到 6144 个芯片）的情况下实现 11.97 倍的吞吐量。TPU是用于神经网络工作负载的矩阵处理的专用集成电路（ASIC），TPU 的主要任务是矩阵处理，这是乘法和累加运算的组合。利用这种混合连接，Multislice 可实现多个切片的并行性，并且允许您为单个作业使用的 TPU 核心数量超出单个切片能够容纳的 TPU 核心数量。TPU Pod 中的 TPU 芯片的数量取决于 TPU 版本。

我们利用 Nvidia NeMo 框架用于构建我们的工业实力模型，每秒生成 990,000 个单词，每月执行超过一万亿次 API 调用，我们提供的推理模型质量超过了拥有更大团队和预算的公司的模型，而所有这一切都可以通过 NeMo 框架来构建。在本周的 Next 大会上，我们将推出令人难以置信的 AI 创新，涵盖从 AI 平台和模型到 Gemini for Google Cloud 的 AI 辅助等各个方面，所有这些都以 AI 优化的基础设施为基础。所有这些创新都为我们的客户带来了令人难以置信的动力。

【代码】查看snn+transformer的网络内容。

【代码】cifar10训练结果。

我又提问了我要在这个上面进行16比特量化的修改，应该怎么修改？def。

 脉冲神经元的输出是二值的，而直接将单次运行的结果用于分类极易受到编码带来的噪声干扰。【在PyTorch中，钩子（hooks）是一种强大的工具，允许你在模型的前向传播（forward pass）或反向传播（backward pass）过程中插入自定义操作。就这个网络而言，只需要先去掉所有的激活函数，再将尖峰神经元添加到原来激活函数的位置，这里我们选择的是LIF神经元。在提供的代码段中，使用了一个前向钩子（save_hook）来保存神经网络某层在前向传播过程中的电压值（v）和脉冲值（s）。

对应代码【https://spikingjelly.readthedocs.io/zh-cn/0.0.0.0.14/activation_based/lif_fc_mnist.html】

脉冲神经元的输出是二值的，而直接将单次运行的结果用于分类极易受到编码带来的噪声干扰。因此一般认为脉冲网络的输出是输出层一段时间内的发放频率（或称发放率），发放率的高低表示该类别的响应大小。连接【https://spikingjelly.readthedocs.io/zh-cn/0.0.0.0.14/activation_based/lif_fc_mnist.html】【另外由于我们使用了泊松编码器，因此需要较大的 T保证编码带来的噪声不太大。每次网络仿真结束后，需要重置网络状态】

直接使用冲激函数进行梯度下降，显然会使得网络的训练及其不稳定。对应地址【https://spikingjelly.readthedocs.io/zh-cn/0.0.0.0.14/activation_based/surrogate.html#】【SpikingJelly中替代函数的形状参数，默认情况下是使得替代函数梯度最大值为1，这在一定程度上可以避免梯度累乘导致的梯度爆炸问题。【在 神经元 中我们已经提到过，描述神经元放电过程的。

可能的解释是，记录的发射率并不直接对应于每个IF层的神经元数量，而是反映了某种形式的平均或汇总统计信息，或者是由于代码中的逻辑错误导致错误地记录了数据。【x_seq是一个形状为[T, N, *]的张量，其中T=4表示时间步数，N=1表示批次大小，*表示输入特征的维度，这里是8。这里的确出现了一个不一致性，因为根据网络结构，第一个IF层的发射率应该是针对4个神经元的，而第二个IF层的发射率应该是针对2个神经元的。第一个IF层的发射率记录应该反映4个神经元的平均发射率，因此形状为[4]是合理的。

【常用的网络层，在 spikingjelly.activation_based.layer 已经定义过，更推荐使用 spikingjelly.activation_based.layer 中的网络层，而不是使用 SeqToANNContainer 手动包装，尽管 spikingjelly.activation_based.layer 中的网络层实际上就是用包装器包装 forward 函数实现的。StepModeContainer：这是一个更通用的包装器，它允许你控制包装的模块是以单步模式还是多步模式运行。

【surrogate_function() 在前向传播时是阶跃函数，只要输入大于或等于0，就会返回1，否则会返回0。print(torch.cuda.is_available()) # 查看当前cuda是否可用于当前版本的Torch，如果输出True，则表示可用。【释放脉冲消耗了神经元之前积累的电荷，因此膜电位会有一个瞬间的降低，即膜电位的重置。print(torch.version.cuda) # 编译当前版本的torch使用的cuda版本号。Soft方式：释放脉冲后，膜电位减去阈值电压：】

在内存受限时使用逐步传播，例如ANN2SNN任务中需要用到非常大的 T。因为在逐层传播模式下，对无状态的层而言，真正的 batch size 是 TN 而不是 N (参见下一个教程)，当 T 太大时内存消耗极大。对应内容【https://spikingjelly.readthedocs.io/zh-cn/0.0.0.0.14/activation_based/basic_concept.html#】在使用梯度替代法训练时，通常推荐使用逐层传播。在正确构建网络的情况下，逐层传播的并行度更大，速度更快。

原因综合脚本改成compile ultra之后compile ultra -incremental，.sdc里面增加了对纯组合逻辑的时序约束，以及增加了对时序约束时钟树设置setidealnetwork和set dont touch的命令。dc综合报错，在使用dw工具的时候。

定义头文件，应该用xxx的不定态。

因为在读文件的时候不认识logic，应该是在提取文件的时候，应该用sv来提取。