一 神经网络处理器
通常基于FPGA的神经网络处理器进行部署某种网络，考虑的因素较多，具体包括网络模型的不同，涵盖不同的算子、激活函数、调度策略等等；具体硬件实现，涉及神经网络处理器并行度、硬件资源消耗（DSPs/BRAMs/通信带宽等）；具体部署阶段，需要对权重和中间结果数据进行格式转换，便于对比验证以及需要不断完善神经网络处理器。整个过程往往费时费力。基于此考虑，基于Python搭建神经网络模拟器，用于模拟神经网络处理器，加速仿真验证、快速进行硬件资源和性能的评估，同时对编译器生成的指令集进行快速模拟推理。
二 神经网络模拟器
在设计和实现一个通用的模拟器接口时，我们首先要明确我们的目的，即加速硬件验证和仿真，因此侧重点包括模拟基本的网络推理、硬件资源分配、功能验证、性能评估、指令集验证等等。因此，在实际模拟器实现时，会着重对需要分析和加速评估的关键点进行模拟和推理实现。 
三 结论
实践证明，通过神经网络模拟器，相比传统的基于FPGA的神经网络处部署仿真验证，效率提升了数倍以上，同时对整个推理过程中的关键点、硬件资源消耗和性能评估，都能在实际部署前进行评估，与实际部署后进行对比分析，结果基本保持一致。有效提升了部署效率和缩短了部署时间。（当然，在完成模拟器推理后，还需要进行FPGA的神经网络仿真~）