機器學習（Machine Learning）及深度學習（Deep Learning）在最近幾年的科技行業的討論度十分高，取得了爆發式的發展—僅僅在過去兩年間，機器學習技術所取得的發展成就，就已超越了之前45年的總和，並且依然維持著高速的發展軌跡，而這些方法是實現人工智慧應用的重要手段。未來的視覺識別、語音識別和自然語言處理將會大大改變我們的日常生活。
在具體的實現過程中，卷積神經網絡（Convolutional Neural Networks，CNN）受到了科學家們的青睞，已成為當前語音分析和圖像識別領域的研究熱點。當前，CNN技術所面臨的一大挑戰在於如何在高速運轉下降低功耗，以及如何能夠更為易於使用。在 2017 有論文提出二值神經網絡（Binarized Neural Networks，BNN）框架，其在CNN基礎上進行了優化，不僅降低了功耗，而且使得系統運行更快。
因其高度可擴充性，BNN 可以在 Digilent PYNQ-Z1 開發板上輕鬆建立！PYNQ-Z1不同的機器學習數據集（dataset）的測試結果顯示：針對 MNIST數據集，PYNQ-Z1能實現每秒168,000張圖片的分類，延遲 102 微秒，準確率達 98.4%；對於 CIFAR-10、SVHN、GTSRB 數據集，PYN1-Z1能實現每秒 1,700 張圖片的分類，延遲 2.2 毫秒，準確率分別為 80.1%、96.69%和97.66%，系統功耗均保持在 2.5W 左右。(本文由下列文章彙整而成)
Zynq + PYNQ + Python：在PYNQ-Z1上搭建二值神經網絡（BNN）
http://www.digilent.com.cn/community/385.html
BNN-PYNQ overlays/ Yaman Umuroglu, NTNU/ Yaman Umuroglu, NTNU
https://docs.google.com/presentation/d/17oorGvtUbdFd-o1OzSuxGCSrWsvm_S2ftC1UC2FLtuE/edit#slide=id.p3
使用 Pynq 訓練與實施 BNN
https://www.hackster.io/adam-taylor/training-implementing-a-bnn-using-pynq-1210b9
BNN Pynq Project
https://github.com/Xilinx/BNN-PYNQ
