FPGA正弦计算：从泰勒展开到定点数实现的工程实践

1. 项目概述：在FPGA里算正弦值，一次“笨拙”但透彻的探索

又见面了。我知道，之前信誓旦旦说“数学系列完结了”的话音还没落，现在又回来聊数学，看起来确实有点像个“惯犯”。但这次真不怪我，要怪就怪那次和同行Max的闲聊。当时我正捣鼓一个在FPGA里计算正弦值的“傻乎乎”的项目，他听了直乐，说这玩意儿虽然傻，但要是能把“为什么这么干”和“怎么干的”掰开揉碎了讲清楚，倒是个绝佳的博客素材。得，那就这么着吧。

这个项目的核心目标很明确：在FPGA内部，计算一个0到360度之间任意角度的正弦值，然后以某种有用的形式输出给外部世界。听起来像是数字信号处理或通信系统里一个基础得不能再基础的需求，对吧？但问题来了：怎么用纯粹的数字逻辑电路，去计算一个连续变化的三角函数？这可不是在电脑上敲一行Math.sin()那么简单。在FPGA这片由与门、或门、触发器和布线资源构成的“数字荒漠”里，我们得自己从零开始，搭建一条计算正弦值的“生产线”。

我最终选择了一条看起来有点“复古”甚至“笨重”的路：泰勒级数展开。没错，就是微积分里那个泰勒级数。我知道，一提到这个，很多工程师朋友的第一反应可能是CORDIC算法，或者查表法（LUT）。它们确实更高效、更主流。但这次，我想暂时抛开那些优化技巧，回归到数学原理本身，用最“直给”的方式——多项式计算——来实现它。这就像学做菜，先别急着用高压锅和料理机，从如何正确握刀、认识火候开始。这么做的目的，是为了彻底搞懂在FPGA里进行定点数运算、处理函数逼近的底层逻辑，为我后续的库函数开发打下坚实的基础。当然，我也会聊聊为什么暂时没选CORDIC和纯查表法，以及这个“笨办法”带来的独特挑战和启示。

2. 方案选型：为什么是泰勒展开，而不是CORDIC或查表？

当你需要在FPGA里实现一个超越函数（比如正弦、余弦、指数）时，面前通常摆着三条主流技术路径：查表法（Look-Up Table, LUT）、坐标旋转数字计算机算法（CORDIC），以及多项式逼近（如泰勒展开或切比雪夫逼近）。每种方法都是在速度、精度、资源消耗和灵活性之间做权衡。

查表法是最直观的：预先计算好所有可能输入对应的正弦值，存到FPGA的Block RAM或分布式RAM里。需要计算时，直接把输入角度当作地址，读出对应的数据即可。它的优点是速度极快，通常一个时钟周期就能出结果，且确定性高。但缺点同样明显：精度与资源消耗成指数级增长。如果你需要高精度（比如16位输出），并且输入角度范围大、分辨率高（比如0到360度，步进0.01度），那么所需的存储空间将是天文数字，很快就会耗尽FPGA的存储资源。它适合输入范围小、精度要求不极端，且对速度有严苛要求的场景。

CORDIC算法则是一种非常巧妙、在FPGA界备受推崇的迭代算法。它通过一系列预设角度的旋转（每次旋转都是加/减和移位操作）来逼近目标角度，从而计算出正弦和余弦值。其最大优点是只使用加法、减法和移位，完全避免了FPGA中相对昂贵的乘法器资源，特别适合早期缺乏硬件乘法器的器件。同时，它能以可预测的迭代次数，达到所需的精度。但它的代价是需要多个时钟周期（一次迭代一个周期），并且需要存储一系列反正切常数值（也是一个小的查找表）。对于追求高吞吐率（每个时钟周期都要输出一个结果）的流水线应用，需要部署多个并行的CORDIC单元，这又会消耗大量逻辑资源。

那么，我为什么选择了泰勒级数展开呢？这源于我当时一个更根本的学习目标：深入理解并构建一套可靠的定点数数学运算库（加法、减法、乘法、除法）。泰勒展开的本质，是将光滑函数表示为无穷级数的和。对于正弦函数，其泰勒展开式为：sin(x) ≈ x - x³/3! + x⁵/5! - x⁷/7! + ...这是一个纯粹的多项式计算问题。实现它，意味着我必须先解决好一系列基础问题：如何用定点数格式（比如Q格式）表示小数和整数？如何实现高精度的定点数乘法？如何处理除法（计算阶乘的倒数）？如何管理运算过程中的数据位宽以防止溢出？

换句话说，实现泰勒展开，相当于为我搭建了一个综合性的测试平台，可以验证我的定点数运算库的各项功能是否可靠、高效。虽然我知道，一个纯组合逻辑的、高阶的泰勒展开实现，在资源和速度上可能不是最优解，但它能让我聚焦于数学原理和基础运算的实现，而不被CORDIC的迭代控制逻辑或查表法的存储优化等问题分散注意力。这是一种“自底向上”的学习和验证方式。当然，在文章的后半部分我们会看到，这种“纯粹”的实现方式会带来怎样的现实挑战，而成熟的工程实践又是如何对其进行优化和折中的。

3. 核心原理与设计权衡：从连续数学到离散逻辑的桥梁

选定泰勒展开这条路径后，我们首先要面对的就是如何将连续的数学公式，映射到离散的、有限精度的数字逻辑世界中。这中间有几个关键的设计决策点，每一个都直接影响着最终电路的精度、规模和速度。

3.1 角度表示与输入范围映射

泰勒展开式sin(x) ≈ x - x³/3! + x⁵/5! - x⁷/7! + ...在数学上成立的条件是x为弧度制，并且理论上对于所有实数都成立，但为了快速收敛和保证精度，通常将x约束在[-π, π]或[0, 2π]区间内。我们的输入是0-360度，所以第一步是角度转换和范围归约。

1. 度到弧度的转换：这是一个线性缩放。弧度 = 角度 * π / 180。在FPGA中，π 也是一个常数，我们可以用一个足够精度的定点数来表示它，例如 Q22.10格式（22位整数，10位小数）。乘法运算会扩大位宽，需要做好规划。
2. 周期归约：正弦函数是周期函数，周期为2π。因此，对于任何输入角度，我们都可以通过取模运算angle_rad % (2π)，将其映射到[0, 2π)区间。在定点数运算中，这通常通过条件减法来实现。
3. 象限简化：利用正弦函数的对称性，我们可以进一步将[0, 2π)区间的输入，映射到[0, π/2]第一象限。例如：
   • 如果角度在[π/2, π)，则sin(x) = sin(π - x)。
   • 如果角度在[π, 3π/2)，则sin(x) = -sin(x - π)。
   • 如果角度在[3π/2, 2π)，则sin(x) = -sin(2π - x)。 这样做的好处是，我们只需要存储或计算第一象限[0, π/2]内的正弦值，极大地降低了多项式逼近的难度和所需阶数。最终计算完成后，再根据原始象限恢复正确的符号。

3.2 多项式阶数的选择：精度与资源的博弈

泰勒展开是无穷级数，我们只能取有限项。取多少项（即多项式的阶数）直接决定了精度和逻辑资源消耗。阶数太低，误差太大；阶数太高，浪费资源，且可能因为数值稳定性问题反而引入误差。

我参考了一些数学工具（如Wolfram Alpha）的分析，发现对于在[-π, π]区间内逼近正弦函数，7阶多项式（即展开到 x⁷ 项）是保证一定精度的最低要求。9阶多项式精度会更好。如何判断呢？一个简单的方法是计算截断误差（拉格朗日余项）。但对于工程实践，更直接的方法是进行定点数仿真，绘制误差曲线。

假设我们选择7阶展开：sin(x) ≈ x - x³/6 + x⁵/120 - x⁷/5040。 这里的系数1/3! = 1/6,1/5! = 1/120,1/7! = 1/5040都是常数。在硬件中，我们不会真的去做“除以6”这样的除法运算。因为除法在FPGA中是非常消耗资源且慢的操作。取而代之的是，我们预先计算这些系数的定点数值，然后将与x³,x⁵,x⁷的乘法，转化为与这些常系数的乘法。

例如，用Q格式表示1/5040。1/5040 ≈ 0.0001984...。如果我们使用Q1.15格式（1位符号，15位小数），这个数可以近似表示为0.0001984 * 2^15 ≈ 6.5，取整为6。那么乘法x⁷ * (1/5040)就变成了(x⁷ * 6) >> 15（右移15位）。这就是用乘法和移位代替除法的核心技巧。系数的精度（Q格式的位数）需要仔细选择，以平衡系数本身的量化误差和最终结果的精度。

3.3 纯组合逻辑“计算云”的得与失

在我的初始设计中，我做了一个在很多人看来非常“极端”的决定：用纯组合逻辑来实现整个7阶多项式的计算。这意味着从输入角度值到输出正弦值，中间没有插入任何寄存器（触发器）。数据从输入端进入，经过一连串的乘法器、加法器、减法器构成的巨大组合逻辑网络，直接出现在输出端。

这么做的动机很纯粹：简化设计，聚焦验证。

• 免于时序烦恼：我不需要设计复杂的多周期状态机来控制计算流程，不需要担心流水线各级之间的握手信号，也不需要计算整个路径需要多少个时钟周期。
• 直观的数学映射：电路的结构直接对应数学公式y = x + c3*x³ + c5*x⁵ + c7*x⁷（其中c为负系数），非常利于调试和验证逻辑正确性。
• 单周期“完成”：从输入到输出，理论上在一个时钟周期后（经过建立时间和保持时间）就能得到结果，虽然这个周期会非常长。

但代价是巨大的：

• 极长的关键路径：计算x⁷需要连续进行多次乘法。即使利用FPGA内部的专用乘法器（DSP48 Slice），这些乘法器级联起来的路径延迟也非常可观。更不用说中间还有加法/减法节点。这会导致电路的最大工作频率（Fmax）非常低。
• 巨大的资源占用：多个宽位宽的乘法器并行工作，会消耗大量的DSP切片和查找表（LUT）资源。
• 功耗与稳定性：长组合路径容易产生毛刺，动态功耗也较高。

我清楚地记得，当我把这个设计综合进一颗Xilinx Spartan-3E FPGA后，时序报告显示关键路径延迟长得离谱，等效的逻辑级数（Logic Levels）高达298级！这在实际产品中是完全不可接受的。但这正是这个“傻项目”的价值所在：它像一面放大镜，让我毫无遮掩地看到了最原始实现方式的全部缺点，从而深刻理解了后续优化（如流水线、混合方法）的必要性。

注意：这种纯组合逻辑的实现方式，在学术上或特定教学场景下有助于理解原理，但在任何对性能（速度、面积、功耗）有要求的实际项目中，都应避免。它是我为了“看清本质”而故意踩进去的一个“坑”。

4. 详细实现步骤：从公式到Verilog代码的拆解

让我们抛开那个不切实际的“组合云”，以一个更工程化的思路，来看看如何分步骤、有时序地在FPGA中实现一个泰勒展开的正弦计算器。我们将采用流水线（Pipelining）技术来提升系统的工作频率。

4.1 系统架构与模块划分

我们设计一个包含以下阶段的流水线系统，每个阶段用一个时钟周期：

1. 阶段1：输入预处理。完成角度归一化（0-360度转0-2π弧度）和象限映射，得到第一象限内的弧度值x和一个记录原始象限信息的符号标志位sign_flag。
2. 阶段2：幂次计算。计算x²,x³,x⁴,x⁵,x⁶,x⁷。注意，x²可以复用来计算更高次幂（如x⁴ = (x²)²），以减少乘法器数量。
3. 阶段3：系数乘法。计算c3 * x³,c5 * x⁵,c7 * x⁷，其中c3 = -1/6,c5 = 1/120,c7 = -1/5040（均已转换为定点数）。
4. 阶段4：多项式累加。按照sin(x) ≈ x + c3*x³ + c5*x⁵ + c7*x⁷进行累加。
5. 阶段5：后处理。根据阶段1产生的sign_flag，对阶段4的结果施加正确的符号，并完成输出格式的最终调整（如饱和处理、舍入）。

4.2 定点数格式定义（Q格式）

这是整个设计的基石。我们必须为输入角度、中间变量和最终输出定义明确的定点数格式。

• 输入角度：假设我们要求输入为0.1度分辨率。0-360度，共3600个点。3600 < 2^12 = 4096，因此可以用一个12位无符号整数angle_int[11:0]表示，其中angle_int = 实际角度 * 10。
• 内部弧度值x：弧度范围是[0, π/2]。π/2 ≈ 1.5708。我们需要足够的小数精度。选择Q2.14格式（2位整数，14位小数，共16位）。为什么是2位整数？因为π/2 < 2，所以2位整数位足够。14位小数位提供了1/2^14 ≈ 0.000061的分辨率，对于大多数应用足够了。
  • 转换公式：x = (angle_int * π/1800) << 14。这里π/1800需要预先计算为Q2.14格式的常数。
• 中间幂值：x²,x³... 这些值的动态范围会变大。乘法会导致位宽扩展。两个Qm.n格式的数相乘，结果格式是 Q(2m).(2n)。我们需要仔细规划位宽，或者在中途进行舍入/截断以防止位宽爆炸。一种常见的策略是保持统一的内部位宽（如32位），并在每次乘法后进行饱和与舍入。
• 系数：c3,c5,c7都是绝对值小于1的小数。我们可以用Q1.15格式（1位符号，15位小数）来表示它们。
• 最终输出：正弦值范围是[-1, 1]。可以用Q1.15格式来输出，这也是很多数字信号处理系统标准的定点数格式。

4.3 关键模块的Verilog描述示例

这里给出阶段2（幂次计算）和阶段3/4（多项式累加）的一个简化Verilog思路。请注意，这是概念性代码，省略了完整的端口声明、寄存器打拍和位宽处理细节。

// 假设：x_q 是Q2.14格式的第一象限弧度值，从阶段1传来，已寄存。 // 系数已定义为Q1.15格式的常数：C3, C5, C7。 // 阶段2：幂次计算 (用时1个时钟周期，但实际可能因乘法器延迟需要多周期，这里简化) reg signed [31:0] x2, x3, x4, x5, x6, x7; // 使用更宽的位宽存储中间结果 always @(posedge clk) begin // 计算x^2， 注意位宽扩展：Q2.14 * Q2.14 = Q4.28 x2 <= $signed(x_q) * $signed(x_q); // 实际需要截断或舍入到内部统一格式，如Q8.24 // 利用已计算的幂次，减少乘法器使用 // x^3 = x * x^2 // x^4 = x^2 * x^2 // x^5 = x^2 * x^3 或 x * x^4 // x^6 = x^3 * x^3 // x^7 = x * x^6 或 x^3 * x^4 // 具体选择哪种组合，需要综合工具在面积和速度上权衡。 // 以下是一种可能的计算顺序： x3 <= (x_q * (x2 >>> 14)); // 乘以x^2后，可能需要调整小数点位置 x4 <= (x2 * x2) >>> 14; // 两个Q4.28相乘，得到Q8.56，右移14位对齐 // ... 以此类推计算x5, x6, x7 end // 阶段3 & 4：系数乘加 (可以合并或拆分) reg signed [31:0] term3, term5, term7, poly_sum; always @(posedge clk) begin // 系数乘法，注意格式匹配和缩放 // x3 是 Q?.? 格式， C3是Q1.15， 乘积需要调整 term3 <= (x3 * C3) >>> 15; // 右移15位，近似于乘以Q1.15系数 term5 <= (x5 * C5) >>> 15; term7 <= (x7 * C7) >>> 15; // 多项式累加: x + c3*x^3 + c5*x^5 + c7*x^7 // 注意：x_q 需要符号扩展到与term相同的位宽 poly_sum <= {{16{x_q[15]}}, x_q} + term3 + term5 + term7; // 简单相加，实际需考虑溢出 end // 阶段5：符号恢复与输出 reg signed [15:0] sin_out; // Q1.15输出 always @(posedge clk) begin if (sign_flag_from_stage1) // 如果原始角度在需要取负的象限 sin_out <= - (poly_sum >>> SCALE_FACTOR); // 取负，并缩放到Q1.15 else sin_out <= (poly_sum >>> SCALE_FACTOR); end

4.4 资源优化技巧：霍纳法则与共享乘法器

直接计算x + c3*x³ + c5*x⁵ + c7*x⁷需要多个乘法器并行工作。我们可以使用霍纳法则（Horner‘s Method）来重组多项式，减少乘法器数量和运算顺序，有时还能提升数值稳定性。

将多项式重写为：sin(x) ≈ x * (1 + x² * (c3 + x² * (c5 + c7 * x²)))

看看这个结构的变化：

1. 计算x²。
2. 计算t1 = c7 * x²。
3. 计算t2 = c5 + t1。
4. 计算t3 = t2 * x²。
5. 计算t4 = c3 + t3。
6. 计算t5 = t4 * x²。
7. 计算t6 = 1 + t5。
8. 最终结果sin(x) = x * t6。

优势：

• 乘法器复用：整个计算主要只重复使用x²这个值，以及一个通用的乘法器。我们可以用一个乘法器，在多个时钟周期内按顺序完成t1,t3,t5,t6的计算。这极大地节省了DSP资源，代价是增加了延迟（需要更多时钟周期）。
• 计算顺序化：非常适合用有限状态机（FSM）控制的小型、节约面积的实现。

在Verilog中，这可以通过一个状态机来控制一个共享的乘法器单元来实现，特别适合资源受限的FPGA。

5. 性能评估、误差分析与优化方向

实现之后，我们必须回答两个关键问题：1. 算得有多快？2. 算得有多准？

5.1 性能评估：速度、面积与功耗

• 最大时钟频率（Fmax）：这是衡量设计速度的关键。使用综合和实现工具（如Xilinx Vivado或ISE）的时序报告，可以查看关键路径的建立时间余量（Setup Slack）。纯组合逻辑版本的Fmax可能只有几十MHz甚至更低。而采用5级流水线后，Fmax可以轻松达到100-200MHz以上，因为每一级的逻辑深度大大减小。
• 资源占用：
  • 查找表（LUT）：用于实现控制逻辑、状态机、数据路径上的组合逻辑（如多路选择器、符号处理）。
  • 触发器（FF）：用于构建流水线寄存器，数量与流水线级数和数据位宽成正比。
  • DSP48切片：用于实现乘法操作。直接实现方式可能消耗4-6个DSP（用于x³, x⁵, x⁷, 及系数乘法）。使用霍纳法则并复用乘法器，可能只消耗1-2个DSP，但需要更多时钟周期。
  • Block RAM：我们的设计目前未使用。但如果采用查表插值法，则会用到。
• 功耗：流水线设计通常比纯组合逻辑的“大云团”动态功耗更低，因为信号翻转被限制在更短的路径内。可以使用工具的功耗分析功能进行估算。

5.2 误差分析：量化误差与截断误差

FPGA定点运算的误差主要来源于两方面：

1. 截断误差（Truncation Error）：因为我们只用了泰勒级数的前几项（如7项），忽略了高阶无穷小。这个误差是理论误差，可以通过选择更高阶多项式来减小。下图对比了3阶、5阶、7阶泰勒展开在[0, π/2]的误差（理想浮点计算）。

   角度（弧度）	理想sin值	3阶近似值	3阶绝对误差	5阶近似值	5阶绝对误差	7阶近似值	7阶绝对误差
   0.000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
   0.785 (π/4)	0.7071	0.7047	0.0024	0.7071	0.0000	0.7071	<0.0001
   1.571 (π/2)	1.0000	0.9248	0.0752	1.0045	0.0045	1.0000	<0.0001

   可以看到，在接近π/2时，低阶展开误差急剧增大。7阶展开在整个区间内已经非常精确。

2. 量化误差（Quantization Error）：

   • 系数量化：将1/5040这样的无限小数用有限位宽的定点数表示，会引入误差。
   • 运算舍入/截断：乘法、加法后位宽扩展，我们必须决定是保留全部精度（消耗更多资源）还是舍入到固定位宽（引入误差）。常见的舍入方式有：截断（直接丢弃低位）、四舍五入、向偶数舍入（银行家舍入法）。
   • 动态范围：中间结果（如x⁷）可能非常大，如果不进行适当的缩放或使用足够宽的位宽，会导致溢出，造成灾难性误差。

误差评估方法：最好的方法是协同仿真。用MATLAB、Python或SystemVerilog编写一个高精度的浮点参考模型，生成测试向量（覆盖整个输入范围）。然后在Verilog testbench中，将FPGA模型（使用定点数）的输出与参考模型的输出进行比较，统计最大绝对误差、平均误差和均方根误差（RMSE）。确保误差在应用允许的范围内。

5.3 高级优化方向：从“傻算”到工程实践

最初的纯组合逻辑泰勒展开是一个很好的教学原型，但离生产级应用还有距离。以下是几个关键的优化方向：

1. 查表与多项式插值结合（LUT + Taylor）：这是工业界非常常用的高效方法。将[0, π/2]区间等分为N份，在每个等分点x_i存储精确的正弦值sin(x_i)和余弦值cos(x_i)（即导数值）。对于一个落在[x_i, x_{i+1}]之间的输入x，利用一阶泰勒展开（线性插值）进行近似：sin(x) ≈ sin(x_i) + cos(x_i) * (x - x_i)这种方法只需要一个较小的查找表（存储N个sin和cos值）和一个乘法器、一个加法器。精度可以通过增加N（更密的表）或使用二阶插值来提高。由于Block RAM通常很丰富，这种方法在速度和资源上取得了很好的平衡。

2. 分段多项式逼近：不同于在整个区间使用同一个高阶多项式，可以将区间分成多段，在每一段上使用一个更低阶（如3阶或5阶）的多项式来拟合。这可以降低整体多项式的阶数，从而减少计算量。需要额外的逻辑来判断输入属于哪一段，并选择对应的系数集。

3. 利用FPGA专用硬件：现代FPGA（如Xilinx UltraScale+， Intel Stratix 10）的DSP Slice功能非常强大，支持预加、模式检测等。可以精心设计数据流，将多项式计算映射到DSP Slice的固有流水线中，实现极高的吞吐率。

4. CORDIC的再评估：尽管我最初为了理解基础运算而避开了CORDIC，但在许多实际场景中，它依然是优秀的选择。特别是在需要同时计算正弦和余弦、或者需要计算幅度和相位（arctan）的向量运算中，CORDIC具有天然优势。它的迭代特性使其非常适合高精度、中速率的应用，并且由于其操作简单（移位加/减），在没有高性能DSP的廉价FPGA上优势明显。

6. 常见问题、调试技巧与实战心得

在把这样一个数学模块变成硬件电路的过程中，你会遇到一堆教科书上不会讲的“坑”。下面是我从调试中总结的一些血泪经验。

6.1 典型问题与排查表

6.2 实操心得与避坑指南

1. 仿真，仿真，再仿真：在烧录到板子之前，必须进行充分的、覆盖所有边界条件的仿真。不仅要测试常规值，更要测试0、π/2、π等特殊点，以及四个象限的边界。使用随机角度生成大量测试向量进行验证。自动化对比工具是你的好朋友。
2. 定点数是一场权衡的艺术：没有“绝对正确”的位宽。你需要问自己：我的应用需要多少位的输出精度？系统能容忍多大的噪声？更多的位数意味着更高的精度，但也意味着更多的资源、更低的频率和更高的功耗。通常，从Q1.15（16位）开始是个不错的选择，它在音频、控制等领域应用广泛。
3. 理解你的工具链：综合工具（如Vivado Synthesis）并不理解“泰勒展开”或“正弦函数”。它只看到一堆加法器、乘法器和寄存器。你的代码风格会极大影响综合结果。例如，如果你写a = b * c + d * e;，工具可能会推断出两个并行的乘法器。如果你希望共享，可能需要用状态机显式地描述时序行为。
4. 善用IP核与现有资源：如果你是Xilinx或Intel用户，不妨先看看它们是否提供了现成的正弦/余弦DDS（直接数字频率合成器）IP核。这些IP核经过高度优化，性能、精度和资源利用率通常都远优于自己从头编写的模块。不要重复发明轮子，除非你有特殊需求（如教学、研究或极致定制化）。
5. 性能与面积的折衷永远存在：纯组合逻辑（面积大、速度慢） -> 流水线（面积中、速度中） -> 查表插值（面积小、速度快） -> 高精度CORDIC（面积中、速度慢、精度高）。没有最好的，只有最适合你当前项目约束的。在项目开始前，明确你的优先级：是最大频率？是最小资源？还是最低功耗？

回过头看，这个在FPGA里“傻算”正弦值的项目，远不止是实现一个函数那么简单。它是一次从连续数学思维到离散硬件思维的深刻穿越，是一次关于精度、速度和面积之间永恒博弈的实战演练。它强迫你去思考数字的二进制表示、运算的有限精度后果，以及如何用并行的、时钟驱动的硬件去描述一个顺序的数学公式。

我仍然认为，对于初学者而言，亲手用泰勒展开（哪怕是那个笨重的组合逻辑版本）实现一次，所获得的关于定点数运算和硬件描述语言（HDL）设计模式的理解，是直接调用一个黑盒IP核所无法比拟的。它让你看清了底层的一切，之后当你再使用那些高级、优化的方法时，你会更清楚它们究竟在为什么而优化，以及代价是什么。

所以，下次当你需要在FPGA里计算一个三角函数时，你会怎么选？是拿起现成的IP核快速完成任务，还是为了某个特殊需求，再次潜入到多项式、查表和迭代算法的世界里，亲手打造一个定制化的计算引擎？至少现在，你有了选择的资本，也知道了每条路上可能遇到的风景和坎坷。