嵌入式学习ing我补充一个：近似乘法器（Approximate Multipliers）。在CNN里，乘法运算多，但不需要完全精确，可以用近似电路降低功耗和延迟。比如截断乘法器、对数乘法器，在FPGA上用LUT实现，比标准DSP更省资源。这算法思想是用精度换效率，适合对误差容忍度高的应用，如图像分类。
适用场景是资源紧张、追求能效比的FPGA设计。你可以从少量层开始试验，评估精度损失。常见坑是近似度控制不好导致模型准确率下降太多，建议用可配置的近似度，在推理时动态调整。
另外，结合剪枝和量化，整体效果更好。工业界有些边缘加速芯片就用这类方法，你可以找相关论文参考具体实现步骤。
除了算法层面，从硬件架构角度也有优化方法。比如脉动阵列（Systolic Array），它通过规则的数据流和局部连接，高效实现卷积的乘加运算，特别适合FPGA的并行结构。Google的TPU就用了这个思路。在FPGA上，你可以设计小规模的脉动阵列，配合数据复用减少外部存储访问。
还有基于内存计算（In-Memory Computing）的模拟，但FPGA上主要用数字电路，所以更实际的是用分布式RAM存权重，减少数据搬运开销。适用场景是计算密集、权重固定的卷积层。
注意，脉动阵列设计需要平衡处理单元数量和带宽，资源受限时可能规模较小，性能提升有限。建议先仿真确定阵列大小，避免资源超限。
前沿研究里，神经架构搜索（NAS）针对硬件优化的卷积模块也算一种间接算法。比如找到更适合FPGA的卷积结构，如深度可分离卷积、分组卷积，它们本身计算量小，再结合Winograd等方法效果更好。另外，有论文用加法树或移位操作代替乘法，比如将权重约束为2的幂次，这样乘法变移位，在FPGA上非常高效。
如果你资源受限，可以看看深度可分离卷积，它把标准卷积拆成深度卷积和逐点卷积，计算量大幅降低，虽然精度可能有点损失，但很多轻量级模型（如MobileNet）都用它。实现时注意数据流设计，避免带宽瓶颈。
选择建议：先分析你的模型，如果是轻量模型，直接优化深度可分离卷积可能比套用Winograd更简单有效。
我做过一个项目，用了基于查找表的乘法器优化卷积，算是一种轻量级方案。核心思想是把卷积核权重和输入特征图的值预先计算乘积，存到查找表里，运行时直接查表代替乘法。这在低位宽（比如4位）时特别有效，LUT资源占用少，速度也快。
适用场景主要是资源受限的FPGA，而且卷积核权重变化不频繁的情况。如果权重动态变化，更新查找表开销大，就不划算了。你可以试试结合量化，把输入和权重都量化到低精度，再用查找表，能进一步节省DSP资源。
不过要注意，查找表大小随精度指数增长，位宽太高会爆资源，一般控制在4-6位比较合适。
除了Winograd和FFT，其实还有很多其他思路。比如直接卷积的优化，通过循环展开、循环分块、数据复用这些经典方法，在FPGA上做流水线和并行化，特别适合小卷积核或者资源紧张的场景。还有稀疏化加速，训练时引入稀疏约束，推理时跳过零值计算，能大幅减少运算量，但需要硬件支持稀疏数据存储和索引。另外，近似计算比如用低位宽量化（INT8甚至INT4）、对数乘法器这些，也能提升效率。你可以根据你的模型规模和FPGA资源来选，如果资源少，从量化和直接卷积优化入手更实际。
注意，稀疏化虽然理论好，但数据不规则，在FPGA上实现控制逻辑复杂，可能抵消收益。
