介绍一下这篇论文所做的工作。
Introduction
首先是背景方面，
现在出现了CNN、RNN、LSTM等多种神经网络，如何使用硬件加速的方法让这些网络跑的更快？
现在已经有的工作：
1.GPGPU
加速矩阵乘法，可以处理非常大规模的CNN和多种GPU支持的学习框架，
但缺点是硬件开销非常大，难以应用在嵌入式领域等对功耗要求比较高的条件下。
2.ASIC
面向特定应用的芯片，难以应用非常多变的神经网络和不同的激活函数条件下。
改进后的ASIP，仍然具有其局限性。
3.FPGA（现场可编程门阵列）
在效率和多功能性等方面取得平衡。可以利用FPGA平台实现特定网络，不过比较复杂，对开发者的水平要求还是很高的。
本文的工作：
设计DeepBurning，一个自动的工具（感觉相当于一键生成），将不同的神经网络映射为一个高性能和低功耗的硬件描述。并且自适应的生成数据布局（data layout)和动态控制流（control flow）。实现良好的时间和空间折叠性
遇到的机遇和挑战
为啥用FPGA?
FPGA的可重用性可以实现不同的NN网络以实现不同的应用，也解决了设计空间爆炸问题。
在做训练时，每个候选模型上得做大量运算。采用FPGA硬件加速本身是比较好，而且FPGA的可重用性也为NN模型和拓扑结构的探索提供了更多的空间。
为啥用DeepBurning？
首先，采用FPGA是不适合顶层的开发人员的。做一个“一键部署”是有必要的。
跟Tensorflow封装这种意义差不多。
其次，现在的自动化工具，是难以轻易协调软硬件（存在复杂的控制流和数据流），存在一定缺陷。
贡献：
根据神经网络生成RTL代码，并且会生成在线控制流实现软/硬件协同（不局限于硬件，时间折叠和空间折叠？），内存方面也做了一定的优化。