编辑：
感谢所有的建议。我应该更好地把这个放在我原来的问题中，很抱歉不清楚。行 prod[0] <= prod[0] + input[0] x weight1[i]; 最多 prod[25] 被执行超过 200 个时钟周期。但是，这 26 次乘法确实是并行发生的。一次太多了，还是我需要在一个时钟周期内进行 1 次乘法（32 位 x 32 位），这意味着在 200 x 26 时钟周期内进行所有 200 x 26 次乘法？
此外，我有 6 个阶段来完成整个过程：
26 个并行矩阵乘法重复 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执行其操作并发送结果。每个神经元重复 25 次（超过 25 个时钟周期）。
重置标志以停止激活功能。重置计数器和一切为下一部分做准备。
3 次并行矩阵乘法重复 25 次（25 个时钟周期）。
再次调用激活函数。
找出从 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）。
上述阶段和每个时钟周期的乘法次数（阶段 1 为 25，阶段 2 为 3）是否可以？
或者我应该重做它以在 200x25 时钟周期内执行第 2 阶段，并在 10x3 时钟周期内执行第 4 阶段？
非常感谢所有帮助和建议的家伙，
费萨尔
原来的：
我已经为人工神经网络中的前馈算法编写并模拟了一个模块。综合工具需要很长时间（Synopsys DCS 和 Xilinx ISE 14.4）……它已经运行了 9 多个小时，所以我对此感觉非常糟糕！但模拟结果是正确的。
我有一个新设计的想法（在消息末尾），但想由有经验的人运行它，看看这是否比我当前的实现更有效（见下文）或更糟，如果更糟，我该怎么做许多算术运算更有效？
一些网络背景：
输入层有 200 个输入，
隐藏层有 25 个神经元，
输出层有 3 个输出。
Verilog 代码理念：我只有一个实现整个算法的模块。
- 第一步是将输入（其中 200 个）乘以每个神经元（并且有 25 个神经元）的权重（其中 200 个）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
并为 200 个输入中的每一个重复上述内容 200 次。它同时对所有 25 个神经元进行计算。
接下来，对上述结果调用 ANN 激活函数。这是通过使用具有近 200 个元素的 LUT 来完成的（我使用了 case 语句）。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！
接下来，它将上述结果与最后 3 个神经元的权重相乘：
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;
并对 25 个 prod 输入中的每一个重复上述 25 次。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。为此，我不得不再实例化 3 个激活模块。
模拟结果很棒。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
顶部模块调用神经元函数（为此需要实例化 28 个神经元！）并将相关的输入和权重传递给它。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）。神经元函数接下来将上述 200 个结果（以及第 2 部分中的 25 个）相加并调用激活函数。输出最终返回到 Top_Module。
我的问题：
这是否比在一个模块中执行所有操作的早期实现更有效？
实例化 28 个神经元，每个神经元实例化 200 个乘法模块是好是坏？
有没有其他想法可以让我的代码高效，从而使 Synopsys 设计编译器不需要 12 小时？！！
如果我这样做，每个神经元都有 200 个输入和 200 个权重，这将是它的输入端口。我不认为 Verilog 模块可以在彼此之间传递数组。如果没有，我是否必须手动写出所有 400 个端口而不是传递数组？
对不起一个奇怪的问题，但我对整个综合概念还是陌生的，想知道这些工具如何实例化模块？
谢谢，
费萨尔。