本論文主要提出一個以C語言為基礎的模型，能夠使深度學習模型架構更容易在硬體電路上實現並驗證。一般深度學習硬體實現方式是從類神經網路模型架構中取出參數，並實現於硬體電路上，但是一個典型的類神經網路模型會擁有龐大的參數及複雜的格式，再加上深度學習軟體都是在高階語言的環境下所架設，內部運作方式複雜，若直接在硬體電路上匯入參數會相當困難。本論文提出一個以C語言為基礎的模型來簡化深度學習硬體設計，由於C語言之架構與硬體描述語言(Verilog)相似，因此本論文以C語言做為實現網路模型之軟體，使得硬體電路在實現網路架構上更加容易。
本論文以一般的摺積類神經網路應用於圖像之辨識模型為例，由於一般的摺積類神經網路之權重為浮點數，在硬體上佔用許多的記憶體資源及複雜的運算。因此本論文採用二元化類神經網路之法則，以Sign Function將32bit浮點數簡化為1bit二進制碼。本論文的運算方式基於以乘法器及加法器做運算，以驗證硬體的正確性。
由本論文實驗可知，在C語言的實現成功後，相關的硬體驗證可更有效率且正確。

“The CIFAR-10 dataset,” [線上]. Available: https://www.cs.toronto.edu/~kriz/cifar.html. [存取日期: 7 2017].
Matthieu Courbariaux, Itay Hubara, Daniel Soudry, Ran El-Yaniv, Yoshua Bengio, “Binarized Neural Networks: Training Deep Neural Networks with Weights and Activations Constrained to +1 or -1,” 2016.
Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” 2012.
S. Ioffe, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” 2015.
王雅慶, “以FPGA實現摺積神經網路及應用於人臉特徵辨識之研究,” 國立台灣師範大學, 2016.
紀凱文, “摺積神經網路全連結層FPGA實現之研究,” 國立台灣師範大學碩士論文, 2016.
黃暐傑, “以FPGA實現二元化類神經網路及應用於手寫圖片辨識之研究,” 國立台灣師範大學, 2017.
王愷薇,”以BNN與AlexNet為基礎適用於CIFAR10圖形辨識之積體電路架構設計,” 國立台灣師範大學, 2017
kuangliu, “Train CIFAR10 with PyTorch,” [線上]. Available: https://github.com/kuangliu/pytorch-cifar. [存取日期: 8 2017].
Yaman Umuroglu, “FINN: A Framework for Fast, Scalable Binarized Neural,” ‎2016.
Ritchie Zhao, “Accelerating Binarized Convolutional Neural Networks with Software-Programmable FPGAs,” 2017.
Shrutika Redkar, “Deep Learning Binary Neural Network on an FPGA,” 2017.
Jeng-Hau Lin, “Binarized Convolutional Neural Networks with Separable Filters for Efficient Hardware Acceleration,” 2017.