PyGears硬件设计框架快速入门指南
什么是PyGears
PyGears是一个基于Python的硬件描述语言(HDL)框架,它允许开发者使用Python语法来设计和生成硬件模块。与传统的HDL语言(如Verilog或VHDL)不同,PyGears利用了Python的高级特性,如装饰器、运算符重载和面向对象编程,使得硬件设计更加高效和灵活。
基本概念
Gear模块
在PyGears中,硬件模块被称为"Gear"。定义一个Gear非常简单,只需要使用@gear装饰器标记一个Python函数:
from pygears import gear
@gear
def filter(x, b0, b1, b2):
x1 = mac(x, b0)
x2 = mac(x1, b1)
return x2 * b2
这个例子定义了一个滤波器模块,它包含两个MAC(乘累加)操作和一个乘法操作。每个Gear的输入参数对应硬件模块的输入端口,返回值对应输出端口。
接口对象
PyGears中的所有信号都是接口对象,它们代表模块之间的连接。接口对象支持多种Python运算符,如乘法(*)在示例中被用来表示硬件乘法器。
高级特性
管道操作符
PyGears支持管道操作符|,可以更直观地描述数据流:
@gear
def filter(x, b0, b1, b2):
y = x | mac(b=b0) | mac(b=b1)
return y * b2
这种写法与硬件数据流的直观表示非常吻合,从左到右清晰地展示了信号的处理过程。
可变参数
PyGears支持可变参数,使得模块可以更灵活地配置:
@gear
def filter(x, *b):
y = x
for bi in b[:-1]:
y = y | mac(b=bi)
return y * b[-1]
这样定义的滤波器可以根据传入的系数数量自动调整MAC阶段的数量。
类型系统
PyGears具有强大的类型系统,可以自动处理信号位宽:
from pygears.typing import Uint
@gear
async def mac(a: Uint['w_a'], b: Uint['w_b']) -> Uint['w_a + w_b']:
pass
这个MAC模块的输入输出位宽是参数化的,输出位宽会自动计算为输入位宽之和。
类型转换
在实际硬件设计中,经常需要控制信号位宽。PyGears提供了简便的类型转换方法:
@gear
def filter(x, *b, stage=mac):
y = x
for bi in b[:-1]:
y = (y | stage(b=bi)) >> x.dtype
return y * b[-1]
这里的>> x.dtype操作将MAC输出转换回输入信号的位宽,防止位宽无限增长。
生成SystemVerilog代码
PyGears可以自动将Python描述的硬件模块转换为SystemVerilog代码:
from pygears.hdl import hdlgen
x = Intf(Uint[16])
b = [Intf(Uint[16])]*4
iout = filter(x, *b)
hdlgen('/filter', outdir='~/filter_svlib')
生成的代码会保持模块层次结构,每个Gear实例都有对应的模块实例。
设计建议
- 模块化设计:将功能分解为小的、可重用的Gear模块
- 类型安全:始终明确指定接口类型,利用类型系统防止设计错误
- 层次化命名:合理使用name参数为模块实例命名,便于调试
- 位宽控制:注意信号位宽的增长,适时进行类型转换
PyGears通过Python的强大表达能力,使得硬件设计更加高效和灵活。无论是简单的组合逻辑还是复杂的流水线设计,PyGears都能提供清晰、简洁的描述方式。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00