芯片峰会
您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
人工智能 正文
发私信给奕欣
发送

0

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

本文作者:奕欣 2017-08-31 09:59 专题:ICCV 2017
导语:高效的深度学习--网络加速

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

雷锋网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,雷锋网(公众号:雷锋网)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

 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

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:

 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

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:

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

图二 MNIST 实验

  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

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。

 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

图四 HORQ 方法加速比性能分析

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 

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。

 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

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.

雷锋网版权文章,未经授权禁止转载。详情见转载须知

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
分享:
相关文章

文章点评:

表情
当月热门文章
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说