FPGA学员4我就在做这个方向，分享一下实际工作。日常不是纯研究新算法，更多是工程落地：比如用现有工具（如NNCF、QAT）对模型做量化，然后针对自家芯片的硬件特性调整算法，比如支持非对称量化或混合精度。还要写C++或Python的部署代码，在FPGA原型上测试精度和速度。
FPGA技能方面，HLS现在很实用，能快速实现算法原型，但必须懂底层RTL原理，否则优化不了性能。重点学硬件友好算法设计——比如避免模型中的动态操作（可变长序列），设计固定结构的计算模块。
另外，得会分析硬件指标：延迟、吞吐量、功耗。建议学SystemC或Chisel做建模，提前评估方案。工具链上，熟悉Xilinx Vitis AI或Intel OpenVINO会有帮助。
坑点：仿真和实际硬件结果可能差很远，量化时精度损失要反复调。选择公司时，看他们是做训练后量化（PTQ）还是量化训练（QAT），后者对算法要求更高。
这个岗位说白了就是桥梁，连接算法和芯片。日常主要两块：一是研究怎么把大模型变小变快，比如剪枝、量化、知识蒸馏，让模型能在资源有限的芯片上跑起来；二是把压缩后的模型部署到硬件上，验证效果和性能。
需要交叉的技能，算法侧必须精通PyTorch/TensorFlow，懂模型结构，能改代码实现压缩。硬件侧，FPGA知识是关键，因为芯片流片前常用FPGA做原型验证。你得会用HLS（高层次综合）或写RTL（Verilog/VHDL）来实现加速器，理解流水线、并行计算这些硬件概念。
建议从量化入手，先学TensorRT或TVM这些工具，了解怎么把浮点模型转成低比特（如INT8）。同时摸FPGA开发板，用Vivado HLS试试把简单算子（比如卷积）实现出来，体会硬件和软件编程的差异。
注意别只钻算法，硬件时序、资源消耗（DSP/BRAM）这些实际问题才是岗位核心难点。
我就在做这个岗，日常挺杂的。一半时间在调算法：用TensorFlow/PyTorch做量化感知训练（QAT），调校准方法，解决精度掉点问题；另一半时间跟硬件团队扯皮，比如把算法映射到他们的FPGA架构上，改算子适应硬件限制。
FPGA知识不用像设计工程师那么深，但得懂硬件思维。重点学这些：HLS（特别是pragma优化）、内存带宽计算、定点数精度分析（Q格式）、DSP/BRAM资源概念。另外，熟悉一种FPGA深度学习SDK（如Xilinx的Vitis AI或Intel的OpenVINO）很重要，能省很多事。
容易踩的坑：硬件不支持某些算子（比如动态shape），得自己拆层或找替代；量化时硬件位宽固定（比如只支持int8），训练时就得对齐。建议多读MLSys会议论文，了解业界怎么平衡算法和硬件。
这个岗位说白了就是让大模型能在芯片上跑得又快又省。日常两大块：一是算法侧，研究剪枝、量化、低秩分解这些压缩技术，在PyTorch里实现和评估；二是硬件侧，把这些压缩后的模型部署到FPGA/ASIC上，优化内存和计算效率。
FPGA技能方面，HLS是必须的，能快速用C++/OpenCL写加速内核。但想深入的话，得懂点RTL（Verilog/VHDL），至少能看懂综合报告，理解时序和资源瓶颈。硬件友好算法设计是关键，比如知道怎么设计定点数运算、避免不规则稀疏、利用好片上内存。
建议先玩通TVM或Vitis AI这类工具链，再动手在FPGA开发板上部署一个量化后的ResNet，整个流程走一遍就明白缺啥了。
我就在做这个方向，可以分享下实际工作。我们组日常主要三块：1）模型分析，用Profiling工具找计算和内存瓶颈；2）量化策略实现与调优，比如混合精度量化，在精度损失和硬件收益间权衡；3）和硬件团队对接，把算法映射到FPGA的PE阵列上。
需要的FPGA技能更偏向系统级。HLS必须熟练，用来实现定制化的计算内核（比如量化后的卷积核）。RTL不用你写，但要能看懂，方便debug。最关键的是要有“硬件思维”：能估算模型所需的计算吞吐和内存占用，能根据硬件特性调整算法（比如用Winograd卷积优化DSP效率）。建议先掌握一种FPGA开发流程（Vitis或Intel OpenCL），再深入学量化训练（QAT）和感知训练（PTQ）。工具链像TVM、VTA也可以玩一玩。
这个岗位的核心就是让大模型能在芯片上高效跑起来。日常的话，两头都要抓：一头是算法，研究怎么把模型变小（剪枝、蒸馏、量化）；另一头是硬件，确保压缩后的模型在FPGA/ASIC上性能达标。不是纯研究新算法，更多是把现有算法工程化落地，比如用TensorRT或自研工具链做量化部署。
FPGA方面，你得懂硬件计算单元的特性。重点不是写RTL，而是理解硬件限制：内存带宽、DSP资源、并行度。HLS要会，用来快速原型验证。更重要的是“硬件友好算法设计”，比如设计均衡的量化策略（避免某些层成为瓶颈）、优化数据布局（NHWC vs NCHW）来适配硬件。建议从PyTorch的量化API入手，再学点FPGA高层次综合，跑几个端侧部署的demo。
