学界 | 上海交通大学团队与高文院士ICCV录用论文:精度保证下的新型深度网络压缩框架

AI科技评论按:ICCV 全称为 IEEE International Conference on Computer Vision,即国际计算机视觉大会)与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并称计算机视觉方向的三大顶级会议,每两年召开一次的 ICCV 今年将在意大利威尼斯举办。

由上海交通大学人工智能实验室李泽凡博士实现,倪冰冰教授、张文军教授、杨小康教授,高文院士指导的论文《基于高阶残差量化的高精度网络加速》(Performance Guaranteed Network Acceleration via High-Order Residual Quantization)已经被 ICCV2017 录用,以下为上海交通大学人工智能实验室杨蕊所做的详细解读,AI科技评论经授权引用,并做了不改动原意的修改和编辑。

论文链接:http://pan.baidu.com/s/1bMgbme

简介

随着人工智能在各个领域的应用中大放异彩,深度学习已经成为街头巷尾都能听到的词汇。然而网络越来越深,数据越来越大,训练越来越久,如何在保证准确率的情况下加速网络以及甚至网络在 CPU 或者移动设备上进行训练与测试变成了迫在眉睫的问题。

除了网络 pruning,网络稀疏近似等等,网络二值化也是常见的网络加速方式。通常情况下,我们用+1 和-1 来代替原来的浮点数数值,使得卷积中的乘法操作变成加减操作,而如果输入和权重同时二值化,乘法操作就会变成异或操作。这看似是一种合理的网络压缩方式,然而如果单纯的运用阈值二值化方法对网络输入进行二值化处理,那么模型最后的精度将无法得到保证。但如果不运用二值化方法对网络进行加速,那么就又无法利用二值化所带来的在计算和存储方面的优势。

而这篇文章提出的 HORQ(High Order Residual Quantization)方法提出了一种针对输入的高阶残差二值量化的方法,既能够利用二值化计算来加快网络的计算,又能够保证训练所得的二值化网络模型的较高的准确率。

方法

图一 HORQ 结构

图一展示了如何用 HORQ 方法将一个普通的卷积层进行残差量化。

对于一个神经网络常规的卷积层 Y=X⊗W, 其中 X 是网络的实值输入,W 是网络的实值权值,Y 是网络层的输出。要对这个卷积层进行高阶残差近似,先按照 XNOR-net[1] 的方法对这个卷积层进行一阶二值近似:

X≈β_1 H_1,W≈αB

Y_1=αβ_1 H_1⊗B

随后,就可以由此定义输入残差张量:

R_1 (X)=X-β_1 H_1

继续对残差进行二值量化,就可以得到输入 X 的二阶二值近似:

R_1 (X)≈β_2 H_2,W≈αB

Y_2=αβ_2 H_2⊗B

那么,现在可以定义输入 X 的二阶残差近似:

Y≈Y_1+Y_2

类似的,我们可以进而定义出输入 X 的高阶残差,以及相应的高阶残差量化:

由此,对卷积层进行二阶(高阶)残差量化,并加速其运算。

实验结果

这篇文章的实验部分在 MNIST 和 CIFAR-10 数据集上进行测试,发现 HORQ-net 对比之前对输入简单采取一阶阈值二值化的方法有喜人的优势:

图二 MNIST 实验

图三 Cifar-10 实验

我们发现,对于二阶残量化方法,该方法将网络的大小降低了约 32 倍,同时速度上有 30 倍的提升,相比 XNOR-net 在两个 MNIST 和 CIFAR-10 上测试准确率均有提升,并且展现出了可在 CPU 上进行网络训练的潜能。

图四 HORQ 方法加速比性能分析

图五 HORQ 方法加速比与量化阶数分析

性能分析

HORQ 方法对卷积层计算的的加速比跟卷积核大小,feature map 数量,以及残差量化的阶数都有较大关系。这些关系体现在图四和图五中。而且,如图六所示,基于二值化的模型存储空间可以得到大幅度的降低。

图六

该论文提出的 HORQ 方法可以作为一个基础的二值量化的方法用于网络的输入二值化中,能够在保证网络模型精度的前提下,利用二值量化的技术提升网络的计算速度,而且同时可以根据实际的硬件需要来调整残差阶数以适应需求。

这个方法有着很大的发展、使用前景。对于一般的深度学习网络,HORQ 方法能能够很大程度上加速深度网络的计算速度。由于网络的每层输入的输入和权值都被二值化,模型的前向传播时间得到大大降低,同时存储模型所需的空间得到大大压缩,使得在资源受限的小运算平台,例如手机和笔记本上运行大规模深度网络模型成为可能。另外,高阶残差量化的方法能够使得网络精度得到保证,使得网络不再会因为简单二值化方法而造成的精度大幅下降。

参考文献:

[1]M. Rastegari, V. Ordonez, J. Redmon, and A. Farhadi. Xnor-net: Imagenet classification using binary convolutional neu-ral networks. In European Conference on Computer Vision, pages 525–542. Springer, 2016.

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-08-31

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏吉浦迅科技

手撕深度学习算法(3):轻撕LSTM

关于LSTM 长短期记忆人工神经网络(Long-Short Term Memory, LSTM)是一种时间递归神经网络(RNN),论文首次发表于1997年。由于...

3717
来自专栏大数据挖掘DT机器学习

R语言对回归模型进行回归诊断

作者:夏尔康 https://ask.hellobi.com/blog/xiaerkang/4129 在R语言中,对数据进行回归建模是一件很简单的事情,一个lm...

36111
来自专栏AI科技评论

开发 | 分分钟带你杀入Kaggle Top 1%

AI科技评论按,本文首发于知乎专栏AI带路党,作者吴晓晖,AI科技评论获其授权转载。 不知道你有没有这样的感受,在刚刚入门机器学习的时候,我们一般都是从MNIS...

34410
来自专栏AI科技大本营的专栏

实战 | 分分钟带你杀入Kaggle Top 1%

作者 | 吴晓晖 整理 | AI100(rgznai100) 原文 - https://zhuanlan.zhihu.com/p/27424282 不知道你有没...

2926
来自专栏AI研习社

神经机器翻译的编码 - 解码架构有了新进展, 具体要怎么配置?

用于循环神经网络的编码 - 解码架构,在标准机器翻译基准上取得了最新的成果,并被用于工业翻译服务的核心。 该模型很简单,但是考虑到训练所需的大量数据,以及调整模...

2574
来自专栏AI科技评论

大神Yoshua Bengio经典前瞻演讲——深度学习框架将所向披靡(51页PPT干货)

编者注:Yoshua Bengio教授是机器学习大神之一,尤其是在深度学习这个领域,他也是人工智能领域中经典之作《Learning Deep Architect...

3355
来自专栏企鹅号快讯

人工智能之文本摘要自动生成

当我们点开某个网站或某个新闻APP的时候,经常能看到这样的题目:“14亿人都不知道的真相,历史的血泪……”、“删前速看!XXX视频流出”等,可是当我们点进去的时...

4337
来自专栏AI研习社

分分钟带你杀入Kaggle Top 1%

不知道你有没有这样的感受,在刚刚入门机器学习的时候,我们一般都是从MNIST、CIFAR-10这一类知名公开数据集开始快速上手,复现别人的结果,但总觉得过于简单...

4457
来自专栏机器之心

学界 | 优于MobileNet、YOLOv2:移动设备上的实时目标检测系统Pelee

1608
来自专栏机器之心

教程 | 如何为神经机器翻译配置编码器-解码器模型?

2015

扫码关注云+社区