隨著(zhù)人工智能在各個(gè)領(lǐng)域的應用中大放異彩，深度學(xué)習已經(jīng)成為街頭巷尾都能聽(tīng)到的詞匯。然而，網(wǎng)絡(luò )越來(lái)越深，數據越來(lái)越大，訓練越來(lái)越久，如何在保證準確率的情況下加速網(wǎng)絡(luò )，甚至讓網(wǎng)絡(luò )在CPU或者移動(dòng)設備上進(jìn)行訓練與測試，就變成了迫在眉睫的問(wèn)題。

       小視科技AI技術(shù)團隊的研究人員發(fā)表了論文《基于高階殘差量化的高精度網(wǎng)絡(luò )加速》（Performance Guaranteed Network Acceleration via High-Order Residual Quantization），提出一種新的方法，能夠在保證網(wǎng)絡(luò )模型精度的前提下對深度網(wǎng)絡(luò )進(jìn)行壓縮。實(shí)驗結果，他們將網(wǎng)絡(luò )的大小降低了約32倍，速度上有30倍的提升。雖然以往的方法在體積和速度上也曾經(jīng)取得類(lèi)似的效果，但本論文提出的方法在精度保證上更勝一籌。

新的壓縮方法HORQ：加快網(wǎng)絡(luò )計算的同時(shí)保證準確率

除了網(wǎng)絡(luò )pruning，網(wǎng)絡(luò )稀疏近似等等，網(wǎng)絡(luò )二值化也是常見(jiàn)的網(wǎng)絡(luò )加速方式。通常情況下，我們用 +1 和 -1 來(lái)代替原來(lái)的浮點(diǎn)數數值，使得卷積中的乘法操作變成加減操作，而如果輸入和權重同時(shí)二值化，乘法操作就會(huì )變成異或操作。

這看似是一種合理的網(wǎng)絡(luò )壓縮方式，然而如果單純的運用閾值二值化方法對網(wǎng)絡(luò )輸入進(jìn)行二值化處理，那么模型最后的精度將無(wú)法得到保證。但如果不運用二值化方法對網(wǎng)絡(luò )進(jìn)行加速，那么就又無(wú)法利用二值化所帶來(lái)的在計算和存儲方面的優(yōu)勢。

這篇文章提出的HORQ（High Order Residual Quantization）方法，提出了一種針對輸入的高階殘差二值量化的方法，既能夠利用二值化計算來(lái)加快網(wǎng)絡(luò )的計算，又能夠保證訓練所得的二值化網(wǎng)絡(luò )模型擁有較高的準確率。

圖一展示了如何用HORQ方法將一個(gè)普通的卷積層進(jìn)行殘差量化。

圖一  HORQ結構

之前的二值化方法，例如XNOR，對輸入簡(jiǎn)單地采用了閾值量化的操作。這樣的方法可以看成是對浮點(diǎn)數的一階二值近似方法。在此之上，本文運用遞歸閾值量化的方法，提出了HORQ的框架。具體來(lái)講，如圖一所示，在第一次閾值量化操作后，我們可以定義并計算改階近似對應的殘差，然后對該階殘差進(jìn)行新一輪的二值近似。通過(guò)對高階殘差的近似，我們可以得到對應于不同尺度下的二值feature map。將這些feature map相加，便可得到最終的輸出。

實(shí)驗結果

這篇文章的實(shí)驗部分在MNIST和CIFAR-10數據集上進(jìn)行測試，發(fā)現HORQ-net對比之前對輸入簡(jiǎn)單采取一階閾值二值化的方法有喜人的優(yōu)勢：

圖二  MNIST實(shí)驗

圖三  Cifar-10實(shí)驗

我們發(fā)現，對于二階殘差量化方法，該方法將網(wǎng)絡(luò )的大小降低了約32倍，同時(shí)速度上有30倍的提升，相比XNOR-net在兩個(gè)MNIST和CIFAR-10上測試準確率均有提升，并且展現出了可在CPU上進(jìn)行網(wǎng)絡(luò )訓練的潛能。

圖四  HORQ方法加速比性能分析

圖五  HORQ方法加速比與量化階數分析

HORQ方法對卷積層計算的的加速比跟卷積核大小，feature map數量，以及殘差量化的階數都有較大關(guān)系。這些關(guān)系體現在圖四和圖五中。而且，如圖六所示，基于二值化的模型存儲空間可以得到大幅度的降低。

該論文提出的HORQ方法可以作為一個(gè)基礎的二值量化的方法，用于網(wǎng)絡(luò )的輸入二值化中，能夠在保證網(wǎng)絡(luò )模型精度的前提下，利用二值量化的技術(shù)提升網(wǎng)絡(luò )的計算速度，而且同時(shí)可以根據實(shí)際的硬件需要來(lái)調整殘差階數以適應需求。

這個(gè)方法有著(zhù)很大的發(fā)展和使用前景。對于一般的深度學(xué)習網(wǎng)絡(luò )，HORQ方法能能夠很大程度上加速深度網(wǎng)絡(luò )的計算速度。由于網(wǎng)絡(luò )的每層輸入的輸入和權值都被二值化，模型的前向傳播時(shí)間得到大大降低，同時(shí)存儲模型所需的空間得到大大壓縮，使得在資源受限的小運算平臺，例如手機和筆記本上運行大規模深度網(wǎng)絡(luò )模型成為可能。另外，高階殘差量化的方法能夠使得網(wǎng)絡(luò )精度的得到保證，使得網(wǎng)絡(luò )不再會(huì )因為簡(jiǎn)單二值化方法而出現精度大幅下降。

該論文已經(jīng)被ICCV2017接收，由小視科技AI技術(shù)團隊李澤凡博士實(shí)現，倪冰冰教授，張文軍教授，楊小康教授，高文院士指導。

相關(guān)論文 Performance Guaranteed Network Acceleration via High-Order Residual Quantization 將在ICCV發(fā)表，詳情可屆時(shí)查看。