在cocotb项目中使用Python测试运行器生成GHDL波形文件
2025-07-06 23:31:08作者:彭桢灵Jeremy
在数字电路仿真验证中,波形文件对于调试和分析设计行为至关重要。本文将详细介绍如何在cocotb测试框架中,使用Python测试运行器为VHDL设计生成GHDL波形文件。
波形文件生成的基本原理
cocotb是一个基于Python的硬件验证框架,支持多种仿真器,包括GHDL。GHDL作为开源的VHDL仿真器,可以通过命令行参数--wave来指定波形文件的输出路径和名称。
传统Makefile方式
在cocotb的传统使用方式中,通常通过Makefile来配置仿真参数。以下是一个典型的Makefile配置示例:
SIM ?= ghdl
TOPLEVEL_LANG ?= vhdl
VHDL_SOURCES += $(PWD)/*.vhd
TOPLEVEL = my_design
MODULE = test_my_design
SIM_ARGS = --wave=waveform.ghw
SIM_ARGS += -gG_GENERIC=16
include $(shell cocotb-config --makefiles)/Makefile.sim
这种方式会在项目根目录下直接生成waveform.ghw波形文件。
Python测试运行器方式
cocotb 1.9.2版本引入了实验性的Python测试运行器功能,提供了更灵活的测试配置方式。以下是等效的Python测试运行器实现:
import os
from pathlib import Path
from cocotb.runner import get_runner
def test_my_design_runner():
sim = os.getenv("SIM", "ghdl")
proj_path = Path(__file__).resolve().parent
runner = get_runner(sim)
hdl_toplevel = "my_design"
runner.build(
sources=[proj_path / "my_design.vhd"],
hdl_toplevel=hdl_toplevel,
parameters={"G_GENERIC": 16},
waves=True,
)
runner.test(
test_module="test_my_design",
hdl_toplevel=hdl_toplevel,
hdl_toplevel_lang="vhdl",
plusargs=["--wave=waveform.ghw"],
waves=True,
)
if __name__ == "__main__":
test_my_design_runner()
关键差异与注意事项
-
波形文件位置:使用Python测试运行器时,波形文件默认生成在
sim_build子目录中,而非项目根目录。 -
参数传递:GHDL参数可以通过
plusargs列表传递,这与Makefile中的SIM_ARGS等效。 -
波形启用标志:
waves=True参数会确保波形生成功能被启用。 -
路径处理:Python测试运行器使用Path对象处理文件路径,更加灵活和可移植。
实际应用建议
对于新项目,建议尝试使用Python测试运行器,因为它提供了:
- 更灵活的配置方式
- 更好的可维护性
- 更直观的参数传递机制
- 与Python生态更好的集成
同时需要注意检查sim_build目录下的波形文件,这是与Makefile方式的主要区别之一。
总结
cocotb的Python测试运行器为VHDL设计验证提供了现代化的配置方式,能够完全替代传统的Makefile方法。通过合理配置plusargs参数,可以轻松生成GHDL波形文件用于后续分析。开发者在迁移到Python测试运行器时,只需注意波形文件的默认输出位置变化即可。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
892
667
Ascend Extension for PyTorch
Python
376
446
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
778
暂无简介
Dart
798
197
React Native鸿蒙化仓库
JavaScript
308
359
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271