感谢您的所有建议。我应该更好地把这个问题放在我原来的问题中，对于不清楚这个问题感到抱歉。行prod [0] < = prod [0] + input [0] x weight1 [i];直到产品[25]被执行超过200个时钟周期。但是，这26次乘法确实同时发生。一次是否太多，或者是否需要在一个时钟周期内执行1次乘法（32位x 32位），这意味着在200 x 26个时钟周期内进行所有200 x 26次乘法运算？
另外，我有6个阶段到管道整个事情通过：
26并联矩阵乘法重复200次（200个时钟周期）。
设置一个控制标志，以便由具有大约200个元素的LUT组成的激活模块可以完成它的工作并发送结果。每个神经元重复25次（超过25个时钟周期）。
重置标志停止激活功能。重置计数器和一切准备下一部分。
3个矩阵乘法并行重复25次（25个时钟周期）。
再次呼叫激活功能。
查找从6中获得的三个值的最大值，以确定输出应该是什么（这是一个分类问题）。
以上阶段和每个时钟周期的乘法次数（阶段1中的25次和阶段2中的3次）是否正常？
或者我应该重做它执行阶段2超过200x25时钟周期和阶段4执行超过10x3时钟周期？
非常感谢所有帮助和建议的家伙，
费萨尔
ORIGINAL：
我已经编写，并模拟了人工神经网络的前馈算法模块。综合工具需要很长时间（Synopsys DCS和Xilinx ISE 14.4）......它已经运行了9个多小时，所以我对它的感觉非常糟糕！模拟结果是正确的。
我对NEW设计有一个想法（在消息结尾处），但想由有经验的人来运行它，看看这是否更有效率，我目前的实施（见下文）或更糟糕，如果更糟，我可以使这么多算术运算更有效率吗？
在网络上的一些背景：
输入层有200个输入，
隐层具有25个神经元，
输出层有3个输出。
Verilog代码思路： 我只有一个模块实现了整个算法。
- 第一步是乘以权重（其中200）的输入端（其中200），用于每个神经元（也有25个神经元） 它计算
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
和上面重复200个输入中的每一个都是200次。它同时进行所有25个神经元的计算。
接下来，对上述结果调用ANN激活函数。这是通过使用具有接近200个元素的LUT（我使用case语句）完成的。为此，我编写了另一个activation.v文件，并且必须为每个神经元实例化25次！
接着，乘以权重以上的结果的最后3个神经元：
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; ，反复进行上述25次，每次的25个刺激输入。它同时对所有3个输出神经元进行计算。
- 最后一步是在prod_2 [0到2]上调用sigmoid。我必须为此实例化3个更多的激活模块。
模拟结果很好。但可能非常低效！
所以，我想知道这是否是一个更好的主意？
Top_Module - >神经元 - >乘法和激活
顶部模块调用的神经元功能（需要实例28元这个！），并把相关的输入和权重了。神经元函数调用乘法模块（第一部分需要200个，第二部分需要25个）。神经元函数接下来添加上述200个结果（第2部分中的25个）并调用激活函数。输出最终返回到Top_Module。
我的问题：
这是更有效，越早实施这是一个模块中执行的一切吗？
就是实例28层的神经元和神经元的每个实例200个乘法模块坏或好？
任何其他的想法，使我的代码有效，使Synopsys设计编译器不需要12小时？
如果我这样做，每个神经元有200个输入和200个权重，这将是它的输入端口。我不认为Verilog模块可以相互传递数组。如果没有，我必须手动写出所有的400端口而不是传递数组吗？
对不起一个奇怪的问题，但我是新来的整体综合概念，并想知道这些工具如何去实例化模块？
谢谢，
费萨尔。
200次乘法运算真的很大。你的设计在每次乘法之间看起来很相似，所以我认为你可以声明它是一个模块并使用generate。可能是这样更快。 – Khanh 2013-02-27 08:58:37
太好了。非常感谢这个建议......我会尽力而为，希望它会更有效率。 – 2013-02-27 09:07:40