EIE为韩松博士在ISCA 2016上的论文，实现了压缩的稀疏神经网络的硬件加速。
与其近似方法的ESE获得了FPGA2017的最佳论文。
背景与介绍
最新的DNN模型都是运算密集型和存储密集型，难以硬件部署。
提出了EIE （Efficient Inference Engine）的方法，将压缩模型应用与硬件。
矩阵表示
这是一个稀疏矩阵相乘的过程，输入向量a，乘以矩阵W，输出矩阵为b，然后经过了ReLU。
用于实现相乘累加的单元称为PE，相同颜色的相乘累加在同一个PE中实现。例如上面绿色的都是PE0的责任。则PE0只需要存下来权值的位置和权值的值。所以上面绿色的权值在PE0中的存储为下面这样：
硬件实现
CCU（Central control unit中央控制器）用于查找非零值，广播给PE（Processing Element处理单元，可以并行的单元，也是上文中的PE）。图a为CCU，
b为单个 PE单元， 实现将CCU广播过来的数据进行卷积的相乘累加和ReLU**。
分为几部分
PE之间用H-tree结构，可以保证PE数量增加时布线长度以log函数增长（增长最缓慢的形式）
作者运用台积电TSMC的45nm的处理器。