嵌入式計算作為新一代計算系統(tǒng)的高效運行方式，應用于多個高性能領域，如陣列信號處理、核武器模擬、計算流體動力學等。在這些科學計算中，需要大量的浮點矩陣運算。而目前已實現(xiàn)的浮點矩陣運算是直接使用VHDL語言編寫的浮點矩陣相乘處理單元[1]，其關鍵技術是乘累加單元的設計，這樣設計的硬件，其性能依賴于設計者的編程水平。此外，F(xiàn)PGA廠商也推出了一定規(guī)模的浮點矩陣運算IP核[2]，雖然此IP核應用了本廠家的器件，并經(jīng)過專業(yè)調(diào)試和硬件實測，性能穩(wěn)定且優(yōu)于手寫代碼，但仍可對其進行改進，以進一步提高運算速度。

1 Altera浮點矩陣相乘IP核原理

Altera公司推出的浮點矩陣相乘IP核ALTFP_MATRIX_MULT，是在Quartus軟件9.1版本以上的環(huán)境中使用，能夠進行一定規(guī)模的浮點矩陣相乘運算，包含A、B矩陣數(shù)據(jù)輸入，數(shù)據(jù)浮點乘加，數(shù)據(jù)緩存及相加輸出四大部分。其中最能體現(xiàn)浮點計算性能的是浮點乘加部分，而周圍的控制電路及輸出則影響到系統(tǒng)的最高時鐘頻率，間接地影響系統(tǒng)整體性能。

整個矩陣相乘電路原理是將輸入的單路數(shù)據(jù)(A、B矩陣共用數(shù)據(jù)線)，通過控制器產(chǎn)生A、B矩陣地址信號，控制著A矩陣數(shù)據(jù)輸出和B矩陣數(shù)據(jù)輸出，并將數(shù)據(jù)并行分段輸出到浮點乘加模塊進行乘加運算，之后串行輸出到一個緩存器模塊中，再以并行方式輸出到浮點相加模塊，最后獲得計算結果。從其原理可以看出，在數(shù)據(jù)輸入輸出方面仍有許多可改進的地方。

2 IP核存在的缺陷及改進

2.1 存在缺陷

(1)輸入數(shù)據(jù)帶寬的不均衡性。在矩陣A、B的數(shù)據(jù)輸入時，Altera的IP核將A矩陣數(shù)據(jù)存于M144K的Block RAM中，而將B矩陣數(shù)據(jù)存于M9K的Block RAM中，導致IP核中A矩陣數(shù)據(jù)的帶寬小于B矩陣數(shù)據(jù)的帶寬，并需要一定數(shù)量的寄存器組使A矩陣數(shù)據(jù)帶寬能夠匹配于B矩陣數(shù)據(jù)帶寬。由此可見，A、B矩陣數(shù)據(jù)的存儲受到器件限制和存儲約束，同時由于在浮點乘加模塊的輸入端(A、B矩陣數(shù)據(jù))帶寬不同，造成A矩陣數(shù)據(jù)的輸入需要額外的處理時間。

(2)加載數(shù)據(jù)的不連貫性。在矩陣數(shù)據(jù)加載時，IP核通過將數(shù)據(jù)分段成等分的幾部分，用于向量相乘。由于矩陣A存儲帶寬窄需要4步寄存(由Blocks決定)，在第3個周期時才加載數(shù)據(jù)B用于計算，送到一個FIFO中存儲;在第6個時鐘周期時加載矩陣A分段的第二部分進行各自的第二部分計算，最后當計算到第15個周期時，才可通過浮點相加，計算出矩陣C的第一個值，之后計算出矩陣C的其他值C11。從上述結構可見，在分段相乘之后，采用先對一個FIFO進行存儲，存滿后再對下一個數(shù)據(jù)FIFO進行存儲，造成時間上浪費過多。

2.2 設計改進

鑒于上述缺陷，在輸入A、B矩陣的存儲方式上，進行串行輸入到并行輸入的改進，使得兩個矩陣能同步輸入到浮點乘加模塊。在數(shù)據(jù)加載方式上，將A矩陣用3個周期加載完畢，再處理相乘運算;將分段相乘結果進行直接存儲相加，獲得C矩陣的第一個值，縮減運算時間。設計的改進框圖如圖1所示。

將A、B矩陣數(shù)據(jù)加載模塊設計成同步加載的方式，即在loadaa為高電平時，對A的第一組數(shù)據(jù)進行初始化，加載到雙口RAM模塊存儲;在loadbb為高電平時，加載B矩陣的數(shù)據(jù)，也進行雙口RAM存儲。然后依據(jù)ROM存儲的地址信號表，在控制模塊的控制下輸出A、B矩陣地址相對應的數(shù)據(jù)，進行浮點乘加運算，之后串行緩存，并行輸出到浮點相加模塊，進行輸出。計算時序如圖2所示。

在時序上要求初始化加載A矩陣的第一行數(shù)據(jù)A1、A2、A3之后，加載B矩陣的第一列數(shù)據(jù)，當分段E1加載后立即進行分段第一組數(shù)據(jù)相乘A1×E1。以此類推，當加載A的第二行數(shù)據(jù)時，即可立即與B矩陣的第一列數(shù)據(jù)相乘?？傮w而言，只需要在ROM模塊中存儲一定的地址信號，即可使浮點乘加模塊的輸入端具有并行連貫的數(shù)據(jù)輸入，縮短了運算時間。

3 浮點矩陣相乘實現(xiàn)

3.1 模塊總體實現(xiàn)

按照上述改進方案，ROM地址表在控制模塊的控制下產(chǎn)生一組地址信號控制雙口RAM組進行并行輸出，保證了浮點乘加模塊計算的準確性。其中控制模塊為設計的關鍵部分，用于產(chǎn)生所有模塊的控制信號，實現(xiàn)同步計算。分為a_cntrl、b_cntrl、cache、outcntrl四部分控制信號以及一路計數(shù)信號用于ROM地址查詢，內(nèi)部由一個狀態(tài)機和邏輯單元組成，狀態(tài)機用于產(chǎn)生矩陣A、B的read開始、latch鎖存、地址疊加信號的轉(zhuǎn)換。控制模塊的時序仿真如圖3所示。

圖3在全局同步信號時鐘sysclk、復位reset、使能enable的作用下，當calcmatrix信號為‘1’時，開始計算并生成輸出控制信號。其中a_cntrl部分用于控制矩陣A數(shù)據(jù)加載模塊，主要包含地址信號readaa和鎖存信號latchaa，來一個鎖存高電平則存儲A矩陣數(shù)據(jù)readaa;b_cntrl部分則對應于矩陣B的控制，輸入B矩陣數(shù)據(jù)readbb;cache部分用于控制數(shù)據(jù)緩存部分串行輸入并行輸出，包含著相應的讀地址信號cacherdadd、寫地址信號cachewradd、cache選擇信號cachemesel，三者同步控制并行輸出;outcntrl部分是整個系統(tǒng)的輸出控制部分，在準備信號ready之后，出現(xiàn)outvalid高電平，表示輸出數(shù)據(jù)有效，同時完成信號done為低電平。為使矩陣A、B數(shù)據(jù)能同時加載到浮點乘加模塊上，需要使一個readaa值對應于readbb的columnsbb個數(shù)據(jù)。在本設計中使用的是A9×16數(shù)據(jù)與B16×8數(shù)據(jù)進行計算，生成的outvalid有9個脈沖，每個脈沖包含8個矩陣輸出數(shù)據(jù)。

對于A、B矩陣的數(shù)據(jù)加載，采用的是串行輸入并行輸出的控制器，由移位寄存器組成，當計數(shù)器計數(shù)到端口輸出值時(如端口并行輸出8個數(shù)則計數(shù)到8)，并行輸出數(shù)據(jù)。

浮點乘加模塊采用并行相乘、并行相加的方式。由于考慮到精度問題，采用浮點位數(shù)轉(zhuǎn)換，將32 bit的輸入數(shù)據(jù)進行浮點擴展為42 bit，再進行乘加運算，最后再將42 bit數(shù)據(jù)轉(zhuǎn)換為32 bit數(shù)據(jù)。采用三級流水線的方式，進行并行乘加運算，提高設計系統(tǒng)性能。

在雙口RAM組的實現(xiàn)上，是將一組simple dualport ram[3]并列成一個RAM組。輸入由矩陣A、B的數(shù)據(jù)信號和ROM輸出的地址信號組成;輸出就是一路矩陣A數(shù)據(jù)和一路矩陣B數(shù)據(jù)，數(shù)據(jù)深度與vectorsize等同。其中每一個RAM的深度為rowsaa×columnsbb/vectorsize，保證數(shù)據(jù)的可重用性，同時相對應的ROM中存儲的地址信號分別為：

A：1 2 1 2 3 3 1 2 3 4 4 4 1 2 3 4 5 5 5 5 1 2 3 4 5 6 6 6 6 6 ……

B：1 1 2 2 1 2 3 3 3 1 2 3 4 4 4 4 1 2 3 4 5 5 5 5 5 1 2 3 4 5 ……

以此類推即可得到相應的地址信號查找表。

在數(shù)據(jù)緩存模塊的設計上也采用串行輸入并行輸出的方式。使用移位寄存器的方式實現(xiàn)，在并行浮點相加部分類似于上述的并行乘加[4]計算，采用多級流水線并行相加的方式完成。

3.2 計算結果仿真

對改進的設計進行仿真，采用A9×16數(shù)據(jù)與B16×8數(shù)據(jù)相乘，獲得計算結果仿真如圖4所示。

從圖4可見，loadaa、loadbb、calcimatrix三者的時序滿足浮點矩陣運算的時序要求，在前兩者數(shù)據(jù)加載后，加載calcimatrix上升沿，進行矩陣相乘。在outvalid為高電平時輸出數(shù)據(jù)，同時完成信號done輸出低電平。在輸出結果上，共分為9個大組，各大組有8個數(shù)據(jù)，共組成72個數(shù)據(jù)結果，其中顯示了第一部分輸出結果，獲得與Matlab仿真相近的計算結果，在精度上相差不到萬分之一。

從表1中可以看出，改進后的IP核在處理時間上縮短了807個周期，同時在最高運行時鐘上提升了15%，系統(tǒng)整體的持續(xù)性能增加了7.2 Gflops。

依據(jù)改進前后的IP核，使用Quartus9.1軟件進行綜合布局布線，映射到Stratix Ⅲ EP3SE110F780C2器件中，可獲得相應的資源對比圖如圖5所示。由于采用的都是并行浮點乘加運算，所以在乘法器資源的消耗上不變;同時由于只是在存儲器的存儲方式上作出變動，所以二者的存儲資源相等。從而只需要對圖中顯示的矩陣階數(shù)、vectorsize大小進行比較即可，而浮點計算性能與最高時鐘頻率變化方向相同，所以只對ALM數(shù)量及最高時鐘頻率進行對比。

從圖5中資源消耗對比可見，當設定vectorsize為固定值8(圖5左半部)時，隨著矩陣階數(shù)的增加，改進后的IP核在ALM資源消耗上較改進前數(shù)量上有一定的減少，在最高時鐘頻率上都有小幅度提升，這是因為矩陣輸入時消耗時間過長;當設定矩陣階數(shù)為192×192(圖5右半部)時，隨著vectorsize值的增加，改進后IP核在ALM數(shù)量上有所減小，在最高時鐘頻率上則有小幅度提升，且波動幅度在3.4%左右?？梢?，改進后IP核比原Altera的IP核綜合性能有所提升。