如何将代码变成应用程序_如何将TensorFlow代码转换到FPGA上（一）

当今时代人工智能技术越来越火，同时也带动了周边各种技术的发展，各个应用场景的算法论文层出不穷，对应的商用产品也是越来越丰富，这些技术也逐渐的走进了普罗大众的生活中。

算法和数据固然是人工智能的基础，但是要实现应用当然不能缺少好用的工具和框架，目前开源的框架也非常多，主流的有：TensorFlow、Pytorch、Caffe2、MXNet等，这些框架主要做的事情是标准化算法实现的流程和提供大量的数值计算SDK。

有了这些框架实现一个复杂的CNN网络可能只需要不到100行代码，这就极大的提升了算法实现和结果验证的生产效率，同时提升了算法迭代更新的速度。

人工智能与算法

● 那FPGA可以用来做什么呢？ ●

当然是用来做推理了。虽然模型单次推理的算力要求并不是很高，但是同一模型在不同终端上总的推理次数是无穷大的，相比于这个模型的训练算力来说那就非常大了，毕竟训练只有一次。在很多嵌入式智能终端中， FPGA具备低延时、低功耗、可更新迭代算法的特性，非常适合推理加速。

现在整个FPGA行业遇到最大的问题是如何快速开发智能算法到FPGA中，而且还能有很不错的性能提升。

为了解决这个问题，很多公司都设计了自己的FPGA开发工具链，基本都是收费且和自己的FPGA产品绑定使用