一、吞吐量设计
1.最大数据吞吐量，表示每秒处理样本的数量
2.II=1的目标
3.吞吐量优化包括数据流优化，流水线优化，循环优化，内存优化，接口的选择，数据
包的处理，批量数据处理，任务级的并行。
二、吞吐量优化的核心目标
1.最大化每个时钟周期处理的有效数据量，追求II=1,任务级别的并行，数据流。
三、架构
1.dataflow数据流优化
2.函数之间并行
3.pipeline流水线优化循环和函数
4.假性依赖的去除
5.循环的展开和部分展开
四、内存和接口优化
1.数组分割array_partition
2.数组reshape
3.hls::stream流接口和FIFO实现生产者-消费者模式
4.double_buffer双缓冲设计
5.ap_hs和ap_fifo和m_axi接口，来匹配吞吐量
五、数据类型优化
1.定点代替浮点，减少资源，提高频率
2.最小化位宽，提高时钟频率，从而增加吞吐量
3.使用ap_fixed的量化模式优化资源
六、循环优化
1.循环的mrege合并共享资源，以及增加数据的重用；
2.循环的flatten展平，变成单一循环更好的实现流水线化
3.循环流水线时候处理依赖，添加依赖指令，或者使用多周期操作容忍延迟
七、案例
1.dataflow流水函数
void top(A, B, C) {
#pragma HLS dataflow
func1(A, buf); // 第一阶段
func2(buf, B); // 第二阶段
func3(buf, C); // 第三阶段
}
2.pipiline设计函数
void top(A, B, C) {
#pragma HLS pipeline
func1(A, buf); // 第一阶段
func2(buf, B); // 第二阶段
func3(buf, C); // 第三阶段
}
3.循环pipeline
4.循环unroll设计并行
for (int i = 0; i < 16; i++) {
#pragma HLS unroll factor=4 // 每次处理4个迭代
C[i] = A[i] + B[i];
}
