En el campo de la comunicación, un autoencoder (AE) se refiere a un sistema que reemplaza partes del transmisor y receptor tradicionales con redes neuronales artificiales (ANNs). Para cumplir con los requisitos de rendimiento del sistema, es necesario que el AE se adapte a las cambiantes condiciones del canal inalámbrico en tiempo de ejecución. Por lo tanto, el ajuste fino en línea en forma de reentrenamiento de ANN es de gran importancia. Se han desarrollado muchos algoritmos en la capa de ANN para mejorar el rendimiento del AE en la capa de comunicación. Sin embargo, no se ha explorado completamente la relación entre el rendimiento del sistema y la topología de ANN en la capa de hardware. En este documento, analizamos las relaciones entre las capas de diseño y presentamos una implementación de hardware de un demapeador basado en AE que permite el ajuste fino para adaptarse a las condiciones del canal variables. Como plataforma, seleccionamos matrices de compuertas programables en campo (FPGAs) que proporcionan una alta flexibilidad y permiten satisfacer los requisitos de baja potencia y baja latencia de los sistemas de comunicación integrados. Además, nuestro enfoque de múltiples capas aprovecha la flexibilidad de las FPGAs para adaptar dinámicamente el grado de paralelismo (DOP) para satisfacer los requisitos a nivel de sistema y garantizar la adaptación ambiental. Nuestra solución logra un rendimiento 2000 veces mayor que una unidad de procesamiento gráfico (GPU) de alto rendimiento, consume 5 veces menos energía que una unidad central de procesamiento (CPU) integrada y es 5800 veces más eficiente en energía en comparación con una GPU integrada para un tamaño de lote pequeño. Hasta donde sabemos, un enfoque de diseño de múltiples capas combinado con una implementación de FPGA es inédito.