【二值化网络】Back to Simplicity: 思考BNN网络的设计

本文探讨2019年的研究,挑战了Binarized Neural Networks (BNNs) 中的一些常见技术,如缩放因子、全精度预训练和approxsign函数的有效性。作者提出BNN设计准则,包括避免瓶颈和使用shortcut连接,强调信息流的重要性。实验表明,从头训练的BNN在某些情况下优于微调的全精度模型,提供了一种简化但高效的BNN设计思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Paper: https://arxiv.org/abs/1906.08637
开源代码:https://github.com/hpi-xnor/BMXNet-v2

2019年6月19的一篇新paper。BNN用于降低成本和计算量,非常有效。作者重新思考了BNN中一些常用技术的有效性,并且为BNN网络提出了几项设计准则,并且搭建了一个BinaryDenseNet网络。

主要是通过实验数据去说明一些设计方法是否有效。可以作为应用的一个借鉴。


Introduction

在移动端执行CNN加速,主要有两种方式。

第一种:通过网络设计亚索网络信息,比如mobilenet和shufflenet等

第二种:做量化,减少每个数据表示时需要的精度。二值化会掉点,前期很多工作关注于通过一些tricks等减少量化误差。

但是,作者认为前期很少思考过这样一个问题“Are those real-valued network architectures
seamlessly suitable for BNNs?”

作者得出的结论是“most of these techniques are not necessary to reach state-of-the-art performance.”

主要contributions如下:

  1. 认为通过标准策略就可以训练出标准BNN,重新思考了如缩放因子,自定义渐变和微调全精度模型的有效性。认为
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值