scmmm's blog

Timing Analysis 同步设计 大多数数字设计是同步的，并且使用顺序元件构建。 同步设计消除了竞争现象，并且更适合设计流水线，提高了吞吐量。 假设所有顺序元件都是边沿触发的，并使用D触发器作为寄存器。 那么出发它有三个关键的时序参数 #mjx-9325c56{ display:contents; mjx-assistive-mml { user-select: text !important; clip: auto !important; color: rgba(0,0,0,0); } mjx-container[jax="SVG"] { direction: ltr; } mjx-container[jax="SVG"] > svg { overflow: visible; min-height: 1px; min-width: 1px; } mjx-container[jax="S...

Lecture 4: Logic Synthesis Part 2 在 lec3 的学习中，我们已经知晓了编译和库。我们已经将设计加载到综合器中，也加载了标准单元库和IP。 接下来我们要讨论综合过程中更核心的部分。 布尔最小化 布尔最小化是综合过程中的一个关键步骤，涉及将逻辑表达式简化为最小形式，以优化电路设计。 展开和绑定和预映射优化 在这个步骤中，工具将执行以下操作 将 RTL 编译为布尔数据结构 将非布尔模块绑定到叶单元 优化布尔逻辑 将设计结果映射到通用的、与技术无关的逻辑门。 这是逻辑综合的核心，自八十年代一直研究的主题。 Two-Level Logic 在展开过程中，主要输入和输出（端口）被定义，顺序元素（触发器、锁存器）被推断。这导致了一组组合逻辑云： 输入端口和寄存器输出是逻辑的输入。 输出端口和寄存器输入是逻辑的输出。 输出可以描述为输入的布尔函数。 布尔最小化的目标是减少输出函数中的文字数量。 许多不同的数据结构都能用来表示布尔函数，如真值表、立方体、二元决策图、方程等。 许多研究是基于SOP或POS表示法进行的，这种表示法更为人知的是“两级逻辑”（...

Lecture 3: Logic Synthesis Part 1 什么是逻辑综合 综合是将 RTL 转换为特定技术的门级网表的过程，并根据预定义的约束进行优化。 你将从以下内容开始 行为级 RTL 设计 标准单元库 一组设计约束 你结束时得到： 映射到标准单元库的门级网表 （对于 FPGA：查找表、触发器和 RAM 块） （有希望）在速度、面积、功耗等方面也很高效。 形式化地，给你一个有限状态自动机 #mjx-39e18c88{ display:contents; mjx-assistive-mml { user-select: text !important; clip: auto !important; color: rgba(0,0,0,0); } mjx-container[jax="SVG"] { direction: ltr; } mjx-container[jax="SVG"]...

前言 心血来潮，买了一张 3080 20G ，遂安装ubnutu。 以下东西不保证完整，想到啥写啥。 踩坑（过程）统计 * 软件安装类问题 * 显卡驱动安装 * 网络问题 * stable diffusion相关 * 稀奇古怪的问题 软件安装类问题 这部分踩坑如下： 安装慢 很显然是要换源。 sudo vi /etc/apt/sources.list 在里面设置 1234deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiversedeb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiversedeb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiversedeb http://mirrors.aliyun.com/...

kaggle地址 数据是很普通的MNIST(28*28) 即一个 28*28 的256灰度图，要求你识别出数字 操作系统：世界上最垃圾的操作系统（我还没说是哪个呢） 简单CNN Acc：0.99 CODE 参考&部分代码 数据准备 首先我们来实现Baseline(Acc=0.99) 读入数据，我们使用 pandas 读入数据 12train_origin = pd.read_csv(PATH+TRAIN)test_origin = pd.read_csv(PATH+TEST) 由于我们的训练集是只有一个label，但是我们神经网络需要输出一个10维向量（代表 0 to 9）,因此我们改写一下数据集，把 label 转化成 onehot 编码的 其实并不需要输出一个十维的，也可以就输出一个数字，但是一般不会这么写 1one_hot_embedding = pd.get_dummies(train_origin.label,prefix='y') 然后我们把这个编码出来的合并到原来训练集中,并且删除原来的label标签 12345# axis = 1...

General GNN Framework 通用GNN框架 图增强 之前的假设是输入图=计算图，但是有可能遇到图缺少特征性或者图的结构不利于计算。 例如，图过于稀疏（sparse），那就导致无效的消息传递，如果过于稠密（dense），就会消耗大量时间，如果过大（large），GPU就很难算。 解决方案就是 对于图缺少特诊：使用图特征性增强。 对于稀疏图，增加虚点虚边。 对于稠密图，Sample neighbors when doing message passing 对于大的图，对子图采样后嵌入 为什么要增强 图缺少特征 做法 1.为节点分配一个常量 2.把节点编号转化成一个one-hot vector 两种方案的对比 一些图的结构在GNN上跑的不好 例如 #mjx-35869398{ display:contents; mjx-assistive-mml { user-select: text !important; clip: auto !important; ...

GNN 层 Idea 1.将一组向量压缩成单个向量 2.两部处理，包括获得信息以及聚合 消息计算 #mjx-c5b010d{ display:contents; mjx-assistive-mml { user-select: text !important; clip: auto !important; color: rgba(0,0,0,0); } mjx-container[jax="SVG"] { direction: ltr; } mjx-container[jax="SVG"] > svg { overflow: visible; min-height: 1px; min-width: 1px; } mjx-container[jax="SVG"] > svg a { fill: blue; stroke: blue; } mjx-assistive-mml { posi...

我们已经学会了一种 #mjx-79cd8968{ display:contents; mjx-assistive-mml { user-select: text !important; clip: auto !important; color: rgba(0,0,0,0); } mjx-container[jax="SVG"] { direction: ltr; } mjx-container[jax="SVG"] > svg { overflow: visible; min-height: 1px; min-width: 1px; } mjx-container[jax="SVG"] > svg a { fill: blue; stroke: blue; } mjx-assistive-mml { position: absolute !important; top: 0px; ...