首页 信托文章正文

中粮信托-瑞盈3号河南平顶山集合资金信托计划

信托 2020年01月31日 01:58 87 信托胜利网
【近期信托列表】 【近期政府债列表】
买【中粮信托-瑞盈3号河南平顶山集合资金信托计划】┃/享/┃/全/┃/国/┃/最/┃/高/┃/返/┃/点/┃【1%-10%】

【合同面签】【返点现结】
点此处进入官网查看项目详情
----------------------以下项目是当天新闻资讯----------------------------------------------------------
选自arXiv

作者:Mostafa Elhoushi 等

机器之心编译

参与:魔王 、杜伟

前不久,机器之心报道过北大、华为诺亚等合著的一篇论文 ,探讨了不用乘法用加法能不能做深度学习。最近,我们又看到华为的另一篇论文,这一次没有用加法替代乘法 ,而是用「按位移位」和「按位取反」来取代乘法运算 。

           

深度学习模型 ,尤其是深度卷积神经网络(DCNN),在多个计算机视觉应用中获得很高的准确率。但是,在移动环境中部署时 ,高昂的计算成本和巨大的耗电量成为主要瓶颈。而大量使用乘法的卷积层和全连接层正是计算成本的主要贡献者 。

论文链接:https://arxiv.org/pdf/1905.13298.pdf

华为的这篇论文提出了解决该问题的新方法,即引入两种新型运算:卷积移位(convolutional shift)和全连接移位(fully-connected shift),从而用按位移位(bitwise shift)和按位取反(bitwise negation)来取代乘法 。使用了卷积移位和全连接移位的神经网络架构族即 DeepShift 模型。DeepShift 模型可以在不使用乘法的情况下实现 ,且在 CIFAR10 数据集上获得了高达 93.6% 的准确率,在 ImageNet 数据集上获得了 70.9%/90.13% 的 Top-1/Top-5 准确率。

研究者将多种著名 CNN 架构的卷积层和全连接层分别进行卷积移位和全连接移位转换,并进行了大量实验 。实验结果表明 ,有些模型的 Top-1 准确率下降程度低于 4%,Top-5 准确率下降程度低于 1.5%。

所有实验均使用 PyTorch 框架完成,训练和运行代码也已经发布。

代码地址:https://github.com/mostafaelhoushi/DeepShift

引言

越来越多的深度神经网络针对移动和 IoT 应用而开发 。边缘设备通常电量和价格预算较低 ,且内存有限。此外,内存和计算之间的通信量在 CNN 的电量需求中也占主要地位。如果设备和云之间的通信成为必要(如在模型更新等情况下),那么模型大小将影响连接成本 。因此 ,对于移动/IoT 推断应用而言 ,模型优化、模型规模缩小 、加速推断和降低能耗是重要的研究领域。

目前已有多种方法可以解决这一需求,这些方法可分为三类:

第一类方法是从头开始构建高效模型,从而得到新型网络架构 ,但要找出最适合的架构需要尝试多个架构变体,而这需要大量训练资源;

第二类方法是从大模型开始。由于网络中存在一些冗余参数,这些参数对输出没有太大贡献 ,因而我们可以基于参数对输出的贡献程度对它们进行排序 。然后修剪掉排序较低的参数,这不会对准确率造成太大影响。参数排序可以按照神经元权重的 L1/L2 均值(即平均激活)进行,或者按照非零神经元在某个验证集上的比例进行。剪枝完成后 ,模型准确率会下降,因此需要进一步执行模型训练来恢复准确率 。一次性修剪太多参数可能导致输出准确率大幅下降,因此在实践中 ,通常迭代地使用「剪枝-重新训练」这一循环来执行剪枝操作 。这可以降低模型大小,并加快速度;

第三类方法是从大模型开始,然后用量化技术来缩减模型大小。在一些案例中 ,量化后的模型被重新训练 ,以恢复部分准确率。

这些方法的重要魅力在于:它们可以轻松应用于多种网络,不仅能够缩减模型大小,还能降低在底层硬件上所需的复杂计算单元数量 。这带来了更小的模型占用 、更少的工作记忆(和缓存)、在支持平台上的更快计算 ,以及更低的能耗。

此外,一些优化技术用二值 XNOR 运算来替代乘法。此类技术在小型数据集(如 MNIST 或 CIFAR10)上可能有较高的准确率,但在复杂数据集(如 ImageNet)上准确率会严重下降 。

华为的这篇论文提出两种新型运算——卷积移位和全连接移位 ,用按位移位和按位取反来取代乘法,从而降低 CNN 的计算成本和能耗。这一神经网络架构族即为 DeepShift 模型。该方法主要使用 2 的幂或按位移位从头开始执行 one-shot 训练,或者对预训练模型进行转换 。

DeepShift 网络

           

图 1:(a) 原始线性算子 vs 本研究提出的移位线性算子;(b) 原始卷积算子 vs 本研究提出的移位卷积算子。

如上图 1 所示 ,本论文的主要概念是用按位移位和按位取反来替代乘法运算。如果输入数字的底层二进制表示 A 是整数或固定点形式,则向左(或向右)按位移动 s 位在数学层面上等同于乘以 2 的正(负)指数幂:

           

按位移位仅等同于乘以正数,因为对于任意 s 值 ,都有 2_±s > 0 。但在神经网络训练过程中,搜索空间中必须存在乘以负数的情况,尤其是在卷积神经网络中 ,其滤波器的正负值可用于检测边。因此 ,我们还需要使用取反运算,即:

           

与按位移位类似,取反运算的计算成本较低 ,因为它只需要对数字返回 2 的补码。

下文将介绍该研究提出的新型算子 LinearShift 和 ConvShift,它们用按位移位和取反取代了乘法:

其中 s 是移位值,n 是取反值 。在经典的 CPU 架构中 ,按位移位和按位取反仅使用 1 个时钟周期,而浮点乘法可能需要 10 个时钟周期 。

LinearShift 算子

其中输入 x 可表示为矩阵 B × m_in,输出 y 可表示为矩阵 B × m_out ,W 是可训练权重矩阵 m_in × m_out,b 是可训练偏置向量 m_out × 1。B 是批大小,m_in 是输入特征大小 ,m_out 是输出特征大小。

该线性算子的反向传播可表达为:

           

其中  L/ y 是运算的梯度输入(运算输出的模型损失 L 的导数), L/ x 是运算的梯度输出(运算输入的模型损失的导数), L/ W 是运算权重的模型损失的导数 。本论文提出该移位线性算子 ,在其前向传播中用按位移位和取反替代了矩阵乘法。其前向传播可定义为:

其中 N 是取反矩阵 ,S 是移位值矩阵,· 表示这两个矩阵的对应元素乘法。B 和 S 的大小是 m_in × m_out,b 是偏置向量 ,类似于原始线性算子 。S、N 和 b 都是可训练的参数。

为了帮助推导后向传播,研究者使用项 V = ( 1)^round(N) ˙ (2)^round(S),得到:

           

注意 ,反向传播导致 -1 和 2 的幂存在非整数值。但是,在前向传播中,它们被四舍五入 ,以实现按位取反和移位 。

ConvShift 算子

原始卷积算子的前向传播可表达为:

其中 W 的维度是 c_out × c_in × h × w,其中 c_in 是输入通道大小,c_out 是输出通道大小 ,h 和 w 分别是卷积滤波器的高和宽。LeCun 等 【1999】 将卷积的反向传播表示为:

           

类似地,本研究提出的卷积移位(即 ConvShift)算子的前向传播可表示为:

其中 N 和 S 分别表示取反和移位矩阵,维度为 c_out × c_in × h × w。类似地 ,为了推导反向传播 ,研究者使用项 V = ( 1)^round(N) ˙ (2)^round(S),得到:

           

基准测试结果

研究者在 3 个数据集上测试了模型的训练和推断结果:MNIST 、CIFAR10 和 ImageNet 数据集 。

MNIST 数据集

下表 1 展示了模型在 MNIST 验证集上的准确率。我们可以看到,从头训练得到的 DeepShift 模型的准确率下降程度超过 13% ,不过仅转换预训练权重得到的 DeepShift 版本准确率下降程度较小,而基于转换权重进行后续训练则使验证准确率有所提升,甚至超过了原版模型的准确率。

           

CIFAR10 数据集

下表 2 展示了模型在 CIFAR10 验证集上的评估结果 。我们注意到从头训练得到的 DeepShift 版本出现了严重的准确率下降 ,而基于转换预训练权重训练得到的 DeepShift 模型准确率下降幅度较小(不到 2%) 。

值得注意的是,对于未经进一步训练的转换权重,宽度更大、复杂度更高的模型取得的结果优于低复杂度模型。这或许可以解释为 ,模型复杂度的提升补偿了运算被转换为 ConvShift 或 LinearShift 导致的精度下降。

           

ImageNet 数据集

下表 3 展示了模型在 ImageNet 数据集上的结果,我们从中可以看到不同的模型结果迥异 。最好的性能结果来自 ResNet152,其 Top-1 和 Top-5 准确率分别是 75.56% 和 92.75%。值得注意的是 ,由于时间限制,一些模型仅训练了 4 个 epoch。进行更多训练 epoch 可能带来更高的准确率 。

           

复杂度较高的模型被准换为 DeepShift 后,结果通常更好。MobileNetv2 等「难缠」模型在移除所有乘法运算后准确率仅降低了约 6%。与其他加速方法(如 XNOR 网络、量化或剪枝)相比 ,这无疑是巨大的优势 ,这些方法对 MobileNet 的优化带来负面效果 。然而,其他「难缠」网络(如 SqueezeNet)的准确率则出现了大幅下降。

为什么 MobileNetv2 的权重被转换后,在未经后续训练的情况下准确率几乎为 0?而在训练几个 epoch 后 ,Top-5 准确率竟然超过 84%?这一点还有待分析。

本文为机器之心编译,转载请联系本公众号获得授权 。

------------------------------------------------


1月30日,由王源 、欧阳娜娜等人主演的古装奇幻剧《大主宰》终于开播。这部剧集早在2018年就制作完成 ,却姗姗来迟,让粉丝和剧迷们翘首以盼多时。

           

该剧改编自网络小说,讲述了出生于北灵境九大域之一牧域、资质卓绝但没有灵力的少年“牧尘”从草根少年成长为拯救苍生、扬善除恶的大英雄“大主宰 ” ,并一路收获友情和爱情的故事,充满了青春热血和修仙玄幻的必备要素 。

           

不过在播出后,很多原著书迷们不开心了 ,因为在原著中,牧尘的性格是比较沉稳的,出场也是凛冽桀骜 ,但王源饰演的牧尘堪称是“史上第一话痨” ,小嘴说个不停,和原著中人设相差较大 。

           

           

欧阳娜娜饰演的女主洛璃,更是争议不断。首先女主设定是不善言辞 ,但是欧阳娜娜演绎的方式是说话一段一段地停顿,听起来费劲,让网友大呼不可。

           

           

剧中欧阳娜娜的造型露出了额头 ,这个造型从某些角度来看是非常惊艳的 。但是从另外的角度来看,就有点崩塌。于是有网友留言评价“侧脸好平啊~”

           

           

           

           

更引人注目的是,不知是不是因为戏服厚重的原因 ,欧阳娜娜的整体造型看上去也比较壮实,尤其是宽厚的肩膀惹得网友吐槽。

           

           

           

剧中王源的颜值也是忽上忽下,发挥不稳定 ,可以看出有的镜头滤镜比较明显,脸上丝毫不见瑕疵 。但是有的镜头展现出迷之角度怼脸拍,效果就不好说了。

           

           

但是 ,剧集的优点也是显而易见的。开篇便以动画的形式引出故事的开端 ,从传说中讲了一个少年将以一己之力守护大千世界,成为唯一立于天地之巅的“大主宰 ”,也就是王源饰演的男主“牧尘 ” 。画面非常细致考究。

           

           

虽然是几年前拍摄制作的特效剧 ,但这些特效拿到现在来看还是很高级,画面质感超级可,有很多三维动态效果 ,一看就是大手笔大制作,几乎可以和大银屏的效果相媲美了。

           

风景也是大气唯美,据说是到新西兰实景拍摄 。道具装饰也非常具有质感 ,细节细腻,大场景恢弘。

           

           

整个画面取景打光都偏向暗黄色调,古香古色 ,很像在看电影的感觉。

           

剧中男女主都在北灵学院修习,日常吵吵闹闹,用网友的话来说就是“小学生谈恋爱” ,很像是在看一部古装校园偶像剧 。但是满屏的青春荷尔蒙气息扑面而来 ,少男少女清新自然的风格也让观众忍不住大呼“爱了爱了” 。王源人设是“话痨 ”,台词量大,但是王源在剧中台词用了原声 ,台词功底还是不错的。

           

           

           

但要说《大主宰》最为与众不同的部分,居然是片尾的字幕。醒目地标注了厨师长 、配菜、早点、打杂等众多工作人员的名字,甚至连外国的主厨 、副主厨、餐饮助理等等都包括在内 ,十分详尽 。由此可见,《大主宰》剧组伙食应该特别好,当然 ,这也体现了剧组对于每位工作人员辛苦付出的一种尊重吧。

           

           

总体而言,这部剧可以看到年轻演员的惊喜蜕变,虽然不可避免地有些瑕疵 ,但是瑕不掩瑜,希望在未来他们会有更多的进步吧。


滚动新闻-腾讯网
暂无数据

标签: 中粮信托-瑞盈3号河南平顶山集合资金信托计划

信托胜利网