Лабораторная «Задание следующее: 1. запустить baseline-проект на fpga - выполнено»,
Verilog, vivado, аппаратные вычислители систем ии в Челябинске

Задание следующее: 1. Запустить baseline-проект на FPGA - ВЫПОЛНЕНО 2. Разработка исполняемой модели и микроархитектуры блока нейропроцессора. Исполняемая модель должна быть написана на Python, содержать исключительно операции, реализуемые непосредственно в аппаратуре, и без использования сторонних библиотек. Микроархитектурная диаграмма - структура блока в терминах облаков комбинационной логики и регистров + таблица с пояснением, какие именно вычисления производятся на каждом такте синхросигнала. - ВЫПОЛНЕНО (код представлен ниже) 3. Разработка RTL-модели блока нейропроцессора, написание симуляционного теста, отладка в симуляторе - НЕОБХОДИМО ВЫПОЛНИТЬ 4. Натурное тестирование блока нейропроцессора на FPGA - - НЕОБХОДИМО ВЫПОЛНИТЬ В пунктах 2-3 необходимо написать код (сначала на питоне, пункт 2), а потом перевести это на Verilog (пункт 3). Там код должен делать следующее: Блок SoftMax (нормализация входного вектора) с программируемой размерностью данных Описание: Рассчитать выходные значения слоя SoftMax по заданным входным значениям и указанному размеру n данных Входные данные: n 32-битных значений, одно 8-битное значение размерности n данных Выходные данные: n 8-битных значений с фиксированной точкой Необходимое ПО: Рабочая плата: Digilent Nexys4-DDR (Artix-7 FPGA): https://store.digilentinc.com/nexys-4-ddr-artix-7-fpga-trainer-board-recommended-for-ece-curriculum/ (если что, есть на руках) САПР для симуляции и имплементации: Vivado Design Suite 2019.1 (WebPack, бесплатная версия) - если что, установлен на мой ПК Для взаимодействия с платой: нужен дистрибутив WinPython с установленным пакетом pyserial - если что, установлен на мой ПК Код из 2-го пункта на Python: import random import math def softmax(input_values): # Преобразование входных значений в экспоненциальные значения exp_values = [] for value in input_values: exp_values.append(my_exp(value)) # Рассчет суммы экспоненциальных значений sum_exp_values = sum(exp_values) # Рассчет выходных значений SoftMax softmax_values = [] for value in exp_values: softmax_values.append(round(value / sum_exp_values * 255, 5)) return softmax_values def my_exp(x): result = 1.0 factorial = 1.0 for i in range(1, 50): factorial *= i result += x**i / factorial return result # Входные данные n = 5 input_values = [] for _ in (range(n)): x = int(random.uniform(-10.0, 10.0)) input_values.append(x) # input_values = [1.5, 2.3, 0.8, 1.2, 2.1] # Рассчет выходных значений SoftMax output_values = softmax(input_values) print("Входные значения:", input_values) print("Размерность данных:", n) print("Выходные значения SoftMax:", output_values) # ТЕСТ # Функция для проверки правильности подсчета SoftMax def test_softmax(): # Входные данные n = 5 input_values = [] for _ in range(n): x = random.uniform(-10.0, 10.0) input_values.append(x) # Вычисление ожидаемых значений SoftMax с помощью библиотеки math expected_values = [] for value in input_values: expected_values.append(round(math.exp(value) / sum(math.exp(x) for x in input_values) * 255, 5)) # Вычисление выходных значений SoftMax с помощью функции softmax output_values = softmax(input_values) # Проверка правильности значений for i in range(n): if output_values[i] != expected_values[i]: return False return True # Выполнение теста и вывод результата if test_softmax(): print("Тест пройден: выходные значения SoftMax рассчитаны правильно.") else: print("Тест не пройден: выходные значения SoftMax рассчитаны неправильно.")