Google、ARM和NVidia等巨头相继推出IoT方面的硬件和框架，深度学习加速器与IoT的应用结合将成为世界技术革新的新助力。然而，物端系统的实际工作环境往往极为严苛，与产品设计预期差距巨大，原本训练好的模型在实际工作环境中，可能会产生精度降低甚至失效。因此，基于CPU和FPGA的硬件平台提出一种神经网络模型再训练的方法，其中在FPGA上实现前向传播算法，在CPU上实现反向传播算法，两者联合起来共同完成CNN的训练。通过再训练，工作环境偏差等动态特性能够被CNN模型学习，从而提升神经网络模型在实际工作环境中的精度。最后，还在近似计算和软错误的场景下应用了该方法。实验表明，相比于离线训练的模型，该方法使神经网络的top5和topl精度分别平均提高5.7％和8.6％。
　　此外，为了进一步提高CNN加速器的性能，对CNN加速器应用超频技术。然而，超频状态下，CNN加速器的关键路径会发生时序违规，从而导致预测精度降低，甚至造成CNN加速器崩溃。通过插入额外的参考图片来确定由于超频导致的精度损失，然后将其划分为微小精度损失、中等精度损失、严重精度损失和加速器崩溃四个状态。微小的精度损失对应用没有影响，CNN加速器可以正常使用;对于中等的精度损失，使用提出的再训练方法来改善精度;对于严重的精度损失和加速器崩溃状态，提出检查点策略进行恢复，检查点策略的基本思想是降低CNN加速器的频率来重复执行图片的分类任务。结果表明，在保证精度损失低于2％时，该优化方法仍然可以使CNN加速器的性能提升20％，能耗降低30％。