公司新闻

新闻中心

汇集全面、前沿、深度的正规博彩平台推荐科技官网资讯与媒体聚焦报道

【压缩率3000%】正规博彩平台推荐科技ICCV:精度保证下的新型深度网络压缩框架

公司新闻 2017-08-30 1973 阅读

       

       随着正规博彩平台推荐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,甚至让网络在CPU或者移动设备上进行训练与测试,就变成了迫在眉睫的问题。


1675925661651564.jpg

       

       正规博彩平台推荐科技AI技术团队的研究人员发表了论文《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),提出一种新的方法,能够在保证网络模型精度的前提下对深度网络进行压缩。实验结果,他们将网络的大小降低了约32倍,速度上有30倍的提升。虽然以往的方法在体积和速度上也曾经取得类似的效果,但本论文提出的方法在精度保证上更胜一筹。


2.png

新的压缩方法HORQ:加快网络计算的同时保证准确率


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。


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拥有较高的准确率。


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。


3.png

图一  HORQ结构


之前的二值化方法,例如XNOR,对输入简单地采用了阈值量化的操作。这样的方法可以看成是对浮点数的一阶二值近似方法。在此之上,本文运用递归阈值量化的方法,提出了HORQ的框架。具体来讲,如图一所示,在第一次阈值量化操作后,我们可以定义并计算改阶近似对应的残差,然后对该阶残差进行新一轮的二值近似。通过对高阶残差的近似,我们可以得到对应于不同尺度下的二值feature map。将这些feature map相加,便可得到最终的输出。


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:

4.jpg

图二  MNIST实验


5.jpg

图三  Cifar-10实验


我们发现,对于二阶残差量化方法,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。


1675926040447514.jpg


图四  HORQ方法加速比性能分析


1675926151607987.jpg

图五  HORQ方法加速比与量化阶数分析


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。



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和使用前景。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的得到保证,使得网络不再会因为简单二值化方法而出现精度大幅下降。


该论文已经被ICCV2017接收,由正规博彩平台推荐科技AI技术团队李泽凡博士实现,倪冰冰教授,张文军教授,杨小康教授,高文院士指导。



相关论文 Performance Guaranteed Network Acceleration via High-Order Residual Quantization 将在ICCV发表,详情可届时查看。