Mạng nơ-ron tích chập (CNN) được áp dụng rộng rãi trong nhiều lĩnh vực như nhận dạng hình ảnh, phát hiện đối tượng, xe tự lái, nó yêu cầu tính toán và bộ nhớ lớn khi số lượng lớp tăng. Vì vậy, việc giảm độ phức tạp tính toán và sử dụng bộ nhớ là rất quan trọng. Trong nghiên cứu này, tác giả áp dụng lượng tử hóa dấu phẩy tĩnh 8 bit để giảm đáng kể yêu cầu bộ nhớ cho bản đồ đặc trưng và trọng số, trong khi độ chính xác của LeNet-5 trên tập dữ liệu MNIST chỉ giảm một cách không đáng kể. Về phần cứng, tác giả đề xuất một bộ tăng tốc CNN cực kỳ linh hoạt với các lớp có thể tái cấu hình. Các lớp này bao gồm các chức năng padding, convolution, ReLU, max-pooling và flatten, và chúng có thể được tái cấu hình. Lợi thế của phương pháp đề xuất là có thể tái sử dụng các lớp hoặc mạch, giúp giảm tài nguyên phần cứng.