推理引擎流程
总结一下推理引擎（IE）调用FPGA设备的流程。开发人员通过IE通用API进行推理调用，IE调用FPGA插件，这调用了运行OpenCL运行时的DLA（英特尔深度学习加速器）。最终发送到实现基元（如卷积、ReLU等）的DLA FPGA IP。如图11-28所示。
图11-28 推理引擎（IE）调用FPGA设备的流程
位流
深度学习部署工具包（DLDT）随附许多位流，用于各种板卡、推理中使用的数据类型和DL模型。
这些FPGA块可以通过垂直和水平线连接在一起。
如何利用这个信息似乎并不明显。但是Winograd在40多年前解决了一个类似的问题。假设有两种预处理方法，将4×4数据和3×3滤波器分别转换为两个4×4矩阵（左侧下面的前两行），如图11-29所示。
图11-29 将4×4数据和3×3滤波器分别转换为两个4×4矩阵
然后将卷积应用于这两个转换矩阵。由于两者大小相同，卷积只需要进行16次乘法。最后，执行后处理转换，将其转换回2×2矩阵。结果表明，产生相同的卷积结果存在这样的预处理和后处理转换。更好的消息是，这些转换只涉及简单的加减运算，而不涉及乘法。因此，新的Winograd变换可以节省大量计算。
用1-D数据和滤波器来来证明这个想法。
（11-1）
其中
（11-2）
数据⊗滤波器的原始卷积方法涉及6次乘法。将合并预处理、卷积、后处理步骤，并展示它可以从上面计算m₁、m₂、m₃和m₄中推导出来。使用这个Winograd变换，只需要进行4次乘法。
为了完整起见，这里列出了所需的数学变换。可以使用简单的算术运算来完成预处理变换Gg、Bᵀ和后处理变换Aᵀ。
（11-3）
其中，
（11-4）
在FPGA中，可以在硬件中应用Winograd变换来加速卷积，如图11-30所示。
图11-30 可以在硬件中应用Winograd变换来加速卷积
