FPGA+AI推理部署系列学习路线图：怎么从零走到能交付一个真实项目

FPGA+AI推理部署这个系列，到这里就写完了。

7篇文章，从"为什么选FPGA做AI推理"，到"怎么把自己的模型部署到板子上跑起来"，到"端到端全链路怎么跑通"，再到今天这张路线图，把整个体系串了一遍。

这个系列的结构，按学习顺序是这样一个链条：

① 选型 → ② 量化 → ③ 算子映射 → ④ Vitis AI流程 → ⑤ 端到端部署

这不是随意排列的，是按一个 真实的工程决策顺序 排的：先想要不要做（选型）→ 再想能不能做（量化压缩）→ 再想做了合不合理（算子映射/资源）→ 再想怎么做（Vitis AI流程）→ 最后想怎么跑稳（端到端部署）。缺任何一步，后面就卡住。

每篇对应的问题分别是：

篇目 核心问题

① 选型

我为什么用FPGA做AI，而不是GPU或ASIC？

② 量化

模型怎么从float32压到int8而不崩精度？

③ 算子映射

我的模型在FPGA上怎么展开，资源够不够？

④ Vitis AI流程

我的模型能不能上板，流程怎么走？

⑤ 端到端部署

板端整条链路怎么跑通，坑在哪？

这条路最难的三道关

回顾整个系列，有三道关是真实卡人的地方，每道关都在对应文章里有详细讲：

第一关：量化掉精度

INT8量化不是自动无损压缩。精度掉了，先查校准集和敏感层，别急着换模型。这道关很多人倒在"觉得是int8的锅"——其实是校准集没代表性，或者敏感层没做混合精度处理。《量化深入》里专门讲过。

第二关：Vitis AI环境版本碎片化

Docker镜像、Petalinux、runtime三版本必须对齐，错一个模型加载就挂。这道关卡死了80%的新手，根源不是技术，是文档太碎、版本号太乱。《Vitis AI全流程走通》里给了版本锁定的具体操作逻辑。

第三关：端到端整链瓶颈定位

DPU算力够 ≠ 整链快。预处理在PS上跑、DDR带宽打架、后处理卡在CPU——这些才是常见拖腿点。很多人的优化方向是错的：盯着DPU调配置，但整链瓶颈在别处。《端到端部署》里拆过各段耗时，优化顺序是先抓最长板。

坦白说，这个系列 不是"零基础直接学"的东西 。它假设你已经有：

如果这两块有短板，先补：

如果你已经在用PyTorch/TensorFlow训练模型，那你已经走完了"前半段"；这个系列补齐的就是"后半段"——怎么让模型在硬件上跑起来。

学完这个系列 + 补完这两块基础之后，你能做到的是：

独立把一个自己训练/别人提供的模型，完整部署到FPGA上跑起来，并交付一个能稳定工作的端到端推理系统。

这是工业岗位的真实要求，不是跑通例程。

这个系列解决的是"FPGA AI推理部署的工程链路"问题。走完这条链路之后，有几个方向可以继续深入：

方向一：模型训练端深化

这个系列讲的是部署端，模型训练端还有很多东西：数据增强策略、超参数调优、模型结构设计（怎么让模型更量化友好）。模型训练做得好，量化压缩的代价更低，精度掉得少。

方向二：更高性能的DPU配置和优化

本系列讲了arch配置和吞吐/延迟权衡。更深的方向包括：DPU多实例部署（一个PL上跑多个DPU）、权重压缩（稀疏化）、DPU微架构调优。这些是往高端板（Versal、RFSoC）走的基础。

方向三：RFSoC / Versal全栈

FPGA AI推理在这些高端器件上，有完全不同的玩法：NoC片上网络提供海量带宽、PL DDR和PS DDR分离解决带宽争抢、AI Engine做矩阵运算加速。

方向四：真实项目交付

纸上谈兵永远不够。把这个系列学到的链路，用到真实项目里，做完、交付、调通——那才是真正学会。

如果你刚看到这篇文章，还没有FPGA基础：

别急，从头走。

路是一步一步走出来的。没有人第一天就懂FPGA AI推理部署，都是从流水灯开始。

FPGA+AI推理部署系列：

①《AI推理为什么要上FPGA——全景与选型逻辑》

②《量化深入：INT8/INT4/二值化全解析》

③《算子映射：卷积/池化/激活如何并行展开》

④《Vitis AI全流程走通：例程能跑通，自己的模型为什么跑不了》

⑤《端到端部署：从图像进到结果出，FPGA推理实战场景全链路》