感謝您的所有建議。我應該更好地把這個問題放在我原來的問題中，對於不清楚這個問題感到抱歉。行prod [0] < = prod [0] + input [0] x weight1 [i];直到產品[25]被執行超過200個時鐘週期。但是，這26次乘法確實同時發生。一次是否太多，或者是否需要在一個時鐘週期內執行1次乘法（32位x 32位），這意味着在200 x 26個時鐘週期內進行所有200 x 26次乘法運算？
另外，我有6個階段到管道整個事情通過：
26並聯矩陣乘法重複200次（200個時鐘週期）。
設置一個控制標誌，以便由具有大約200個元素的LUT組成的激活模塊可以完成它的工作併發送結果。每個神經元重複25次（超過25個時鐘週期）。
重置標誌停止激活功能。重置計數器和一切準備下一部分。
3個矩陣乘法並行重複25次（25個時鐘週期）。
再次呼叫激活功能。
查找從6中獲得的三個值的最大值，以確定輸出應該是什麼（這是一個分類問題）。
以上階段和每個時鐘週期的乘法次數（階段1中的25次和階段2中的3次）是否正常？
或者我應該重做它執行階段2超過200x25時鐘週期和階段4執行超過10x3時鐘週期？
非常感謝所有幫助和建議的傢伙，
費薩爾
ORIGINAL：
我已經編寫，並模擬了人工神經網絡的前饋算法模塊。綜合工具需要很長時間（Synopsys DCS和Xilinx ISE 14.4）......它已經運行了9個多小時，所以我對它的感覺非常糟糕！模擬結果是正確的。
我對NEW設計有一個想法（在消息結尾處），但想由有經驗的人來運行它，看看這是否更有效率，我目前的實施（見下文）或更糟糕，如果更糟，我可以使這麼多算術運算更有效率嗎？
在網絡上的一些背景：
輸入層有200個輸入，
隱層具有25個神經元，
輸出層有3個輸出。
Verilog代碼思路： 我只有一個模塊實現了整個算法。
- 第一步是乘以權重（其中200）的輸入端（其中200），用於每個神經元（也有25個神經元） 它計算
prod[0] <= prod[0] + input[0] x weight1[i]; i = 0 to 200-1
.......
prod[25] <= prod[25] + input[25] x weight1[i]; i = 0 to 200-1
和上面重複200個輸入中的每一個都是200次。它同時進行所有25個神經元的計算。
接下來，對上述結果調用ANN激活函數。這是通過使用具有接近200個元素的LUT（我使用case語句）完成的。爲此，我編寫了另一個activation.v文件，並且必須爲每個神經元實例化25次！
接着，乘以權重以上的結果的最後3個神經元：
prod_2[0] <= prod_2[0] + prod[0]*weight2[i]; i = 0 to 25-1;
prod_2[1] <= prod_2[1] + prod[0]*weight2[i]; i = 0 to 25-1;
prod_2[2] <= prod_2[2] + prod[0]*weight2[i]; i = 0 to 25-1; ，反覆進行上述25次，每次的25個刺激輸入。它同時對所有3個輸出神經元進行計算。
- 最後一步是在prod_2 [0到2]上調用sigmoid。我必須爲此實例化3個更多的激活模塊。
模擬結果很好。但可能非常低效！
所以，我想知道這是否是一個更好的主意？
Top_Module - >神經元 - >乘法和激活
頂部模塊調用的神經元功能（需要實例28元這個！），並把相關的輸入和權重了。神經元函數調用乘法模塊（第一部分需要200個，第二部分需要25個）。神經元函數接下來添加上述200個結果（第2部分中的25個）並調用激活函數。輸出最終返回到Top_Module。
我的問題：
這是更有效，越早實施這是一個模塊中執行的一切嗎？
就是實例28層的神經元和神經元的每個實例200個乘法模塊壞或好？
任何其他的想法，使我的代碼有效，使Synopsys設計編譯器不需要12小時？
如果我這樣做，每個神經元有200個輸入和200個權重，這將是它的輸入端口。我不認爲Verilog模塊可以相互傳遞數組。如果沒有，我必須手動寫出所有的400端口而不是傳遞數組嗎？
對不起一個奇怪的問題，但我是新來的整體綜合概念，並想知道這些工具如何去實例化模塊？
謝謝，
費薩爾。
200次乘法運算真的很大。你的設計在每次乘法之間看起來很相似，所以我認爲你可以聲明它是一個模塊並使用generate。可能是這樣更快。 – Khanh 2013-02-27 08:58:37
太好了。非常感謝這個建議......我會盡力而爲，希望它會更有效率。 – 2013-02-27 09:07:40