En escenarios de multitarea con cargas que cambian dinámicamente, la computación en paralelo de redes neuronales convolucionales (CNN) provoca un alto consumo de energía y recursos en el sistema. Otro problema crítico es que los aceleradores de hardware de redes neuronales anteriores a menudo están limitados a escenarios fijos y carecen de la función de ajuste adaptativo. Para resolver estos problemas, en este artículo se propone un sistema adaptativo de reconfiguración basado en la predicción de la carga de algoritmos. La Unidad de Procesamiento de Aprendizaje Profundo (DPU) de Xilinx tiene un excelente rendimiento en la aceleración del cómputo de redes. Tras resumir las características de los aceleradores de hardware y adquirir una comprensión profunda de la estructura de la DPU, proponemos un modelo de regresión para la predicción del tiempo de ejecución de CNN y un esquema de orientación para la reconfiguración adaptativa combinada con las características de la Unidad de Procesamiento de Aprendizaje Profundo. Para diferentes tamaños de DPU, la precisión del modelo de predicción propuesto alcanza el 90.7%. Con la tecnología de reconfiguración dinámica, la estrategia propuesta puede permitir una reconfiguración precisa y rápida. En el escenario de cambio de carga, el sistema propuesto puede reducir significativamente el consumo de energía.