随着深度学习技术的不断发展，以卷积神经网络为代表的一系列模型在图像分类、目标检测等领域取得了良好的效果，并在生活中得到了广泛应用。但卷积神经网络中各卷积层的特征图通常较大，采用逐层卷积的方式会占用大量的内存，而全硬件设备通常内存有限，这使得卷积模型难以在全硬件设备上进行部署，在一定程度上限制了卷积神经网络的应用。另外，逐层卷积方式只有在前一层卷积结束后才能进行下一层卷积，灵活性较低，在全硬件设备上可能造成一定的资源浪费。  

  目前采用模型剪枝、量化等方法在一定程度上能够减少模型前向推理时的内存占用，但在模型较大时仍可能出现内存不足的情况。因此，需要设计一种针对全硬件设备的卷积和调度方法，以实现卷积模型在资源有限的全硬件设备上高效运行。