本文研究了深度神经网络在FPGA上的优化设计，提出多种精度量化方法以降低计算和数据传输成本。通过量化卷积神经网络，模型在ILSVRC-12基准测试中实现了4~6倍的加速和15~20倍的压缩，分类准确率损失仅为1%。同时，介绍了一种基于深度强化学习的自适应量化方法，显著降低了延迟和能耗，为神经网络和硬件架构设计提供了新思路。