【覆盖率采样 交叉覆盖率_2024.01.29】

2024-01-30 21:28

本文主要是介绍【覆盖率采样 交叉覆盖率_2024.01.29】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

bin

记录每个数值被捕捉到的次数,衡量功能覆盖率的基本单位。
域:可能数值的个数
覆盖率:采样值的数目除以bin的数目
若采样变量的域范围过大而又未指定bin,则系统默认分配64个bin,将值域范围平均分配给64个bin。

// bin的数量创建
covergroup covport;option.auto_bin_max = 8; // 所有coverpoint auto_bin数量=8coverpoint tr.port{option.auto_bin_max = 2;} // 特定coverpoint auto_bin数量=2
endgroup
// bin的创建
covergroup CovKind;coverpoint tr.kind {bins zero = {0}; // 1个仓代表kind==0bins lo = {[1:3], 5}; // 1个仓代表1:3和5bins hi[] = {[8:$]}; // 8个独立的仓代表8:15bins misc = default; // 1个仓代表剩余的所有值} // 没有分号
endgroup
// bin的忽略
bit [2:0] low_ports_0_5; // 只使用数值0-5
covergroup CoverPort;coverpoint low_ports_0_5 {ignore_bins hi = {[6,7]}; // 忽略数值6-7}
endgroup
// bin的非法报错
bit [2:0] low_ports_0_5; // 只是用数值0-5covergroup CoverPort;coverpoint low_ports_0_5 {illegal_bins hi = {[6,7]}; // 如果出现6-7便报错}
endgroup
// 条件覆盖率,关键词iff给coverpoint添加条件,也可使用start和stop函数来控制。
covergroup CoverPort;coverpoint port iff(!bus_if.reset);
endgroup
initial begincovport ck = new();#1ns;ck.stop();bus_if.reset = 1;#100ns bus_if.reset = 0;ck.start();...
end
// 翻转覆盖率
covergroup CoverPort;coverpoint port {bins t1 = {(0 => 1), (0 => 2), (0 => 3)};}
endgroup
// Wildcard覆盖率,使用关键字wildcard来创建多个状态或者翻转。
bit [2:0] port;
covergroup CoverPort;coverpoint port {wildcard bins even = {3'b??0};wildcard bins odd = {3'b??1};}
endgroup

交叉(cross)覆盖率

class Transaction;rand bit [3:0] kind;rand bit [2:0] port;
endclass
Transaction tr;
covergroup CovPort;kind: coverpoint tr.kind;port: coverpoint tr.port;cross kind, port;
endgroup
// 排除部分cross bin,使用ignore_bins、binsof和intersect分别指定coverpoint和值域
ignore_bins hi = binsof(port) intersect {7};
ignore_bins md = binsof(port) intersect {0}&&
binsof(kind) intersect {[9:11]};
ignore_bins lo = binsof(kind.lo);
// 精细化的交叉覆盖率
bins a0b0 = binsof(a.a0) && binsof(b.b0);
bins a1b0 = binsof(a.a1) && binsof(b.b0);
bins b1 = binsof(b.b1); 
bins a0b0 = binsof(a) intersect {0} && binsof(b) intersect {0};
bins a1b0 = binsof(a) intersect {1} && binsof(b) intersect {0};
bins b1 = binsof(b) intersect {1};
单个实例的覆盖率option.per_instance = 1;
覆盖次数限定option.at_least=2;
覆盖率目标option.goal = 90;
// covergroup方法
sample():采样
get_coverage()/get_inst_coverage():获取覆盖率,返回0-100的real数值。
set_inst_name(string):设置covergroup的名称。
start()/stop():使能或者关闭覆盖率的收集。

这篇关于【覆盖率采样 交叉覆盖率_2024.01.29】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/661591

相关文章

MySQL中的交叉连接、自然连接和内连接查询详解

《MySQL中的交叉连接、自然连接和内连接查询详解》:本文主要介绍MySQL中的交叉连接、自然连接和内连接查询,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、引入二、交php叉连接(cross join)三、自然连接(naturalandroid join)四

交叉编译python

1.解决python源码,进入源码目录 2.先编译本地版本的python。直接使用命令 ./configure --prefix=/home/KAS-300/python3.8 --enable-optimizationsmake -j8make install 3.把生成的python可执行文件临时加入PATH export PATH=/home/KAS-300/python3.8/

重复采样魔法:用更多样本击败单次尝试的最强模型

这篇文章探讨了通过增加生成样本的数量来扩展大型语言模型(LLMs)在推理任务中的表现。 研究发现,重复采样可以显著提高模型的覆盖率,特别是在具有自动验证工具的任务中。研究还发现,覆盖率与样本数量之间的关系可以用指数幂律建模,揭示了推理时间的扩展规律。尽管多数投票和奖励模型在样本数量增加时趋于饱和,但在没有自动验证工具的任务中,识别正确样本仍然是一个重要的研究方向。 总体而言,重复采样提供了一种

逐行讲解Transformer的代码实现和原理讲解:计算交叉熵损失

LLM模型:Transformer代码实现和原理讲解:前馈神经网络_哔哩哔哩_bilibili 1 计算交叉熵目的 计算 loss = F.cross_entropy(input=linear_predictions_reshaped, target=targets_reshaped) 的目的是为了评估模型预测结果与实际标签之间的差距,并提供一个量化指标,用于指导模型的训练过程。具体来说,交叉

基于Python的机器学习系列(29):前馈神经网络

在本篇文章中,我们将学习如何使用PyTorch构建和训练一个前馈神经网络。我们将以线性回归为例,逐步了解PyTorch的各个组件及其在神经网络中的应用。这些步骤包括: 指定输入和目标:我们将定义输入特征和目标变量。数据集和数据加载器:使用PyTorch的数据集和数据加载器来管理和加载数据。nn.Linear(全连接层):创建前馈神经网络中的线性层。定义损失函数:选择合适的损失函数

【深度学习 误差计算】10分钟了解下均方差和交叉熵损失函数

常见的误差计算函数有均方差、交叉熵、KL 散度、Hinge Loss 函数等,其中均方差函数和交叉熵函数在深度学习中比较常见,均方差主要用于回归问题,交叉熵主要用于分类问题。下面我们来深刻理解下这两个概念。 1、均方差MSE。 预测值与真实值之差的平方和,再除以样本量。 均方差广泛应用在回归问题中,在分类问题中也可以应用均方差误差。 2、交叉熵 再介绍交叉熵损失函数之前,我们首先来介绍信息

libmad音频解码库-Linux交叉编译移植

下载并解压libmad-0.15.1b.tar.gz 下载链接:https://downloads.sourceforge.net/mad/libmad-0.15.1b.tar.gz $tar -xvf libmad-0.15.1b.tar.gz$cd libmad-0.15.1b 1、先执行下面的命令:这条命令是为了适配高版本的gcc,因为高版本的gcc已经将-fforce-mem去除了:

回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证

回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证 目录 回归预测 | Matlab基于贝叶斯算法优化XGBoost(BO-XGBoost/Bayes-XGBoost)的数据回归预测+交叉验证效果一览基本介绍程序设计参考资料 效果一览 基本介绍 Matlab实现基于贝叶斯算法优化X

研究纹理采样器在像素级别的采样位置

问题 【纹理采样器】是一个基础的概念。假设有一个正方形面片,顶点的UV范围是0.0~1.0,那么在这个正方形面片上采样一张纹理时,会呈现出完整的纹理。 但我现在关注的问题是,在像素级别上,采样的位置是怎样的。具体来讲:对于UV值是(0.0,0.0)的点,它对应的采样位置是纹理最左上角像素的中心?还是纹理最左上角像素的左上角?即,下面左右哪个是正确的情况? 在宏观上,尤其是像素较多的时候,二者

爆改YOLOv8|利用yolov10的SCDown改进yolov8-下采样

1, 本文介绍 YOLOv10 的 SCDown 方法来优化 YOLOv8 的下采样过程。SCDown 通过点卷积调整通道维度,再通过深度卷积进行空间下采样,从而减少了计算成本和参数数量。这种方法不仅降低了延迟,还在保持下采样过程信息的同时提供了竞争性的性能。 关于SCDown 的详细介绍可以看论文:https://arxiv.org/pdf/2405.14458 本文将讲解如何将SCDow