TRAINED TERNARY QUANTIZATION
2017 ICLR
清华 斯坦福
摘要
提出一种将神经网络进行三值量化的方法，该方法精度下降很小，甚至可以提高某些模型的精度，32、44、56层ResNet在CIFAR-10上和ImageNet上的AlexNet。在推理过程中，只需要三元值(2bit权值)和比例因子，因此我们的模型比全精度模型小将近16倍。三元模型也可以看作是稀疏的二元权值网络，可以通过自定义电路来加速。CIFAR-10上的实验结果表明，经过该量化方法得到的三元模型分别比全精度模型(ResNet-32、44、56)的精度高0.04%、0.16%、0.36%。在ImageNet上，我们的模型比全精度AlexNet模型在Top-1上精度高0.3%，比先前的三值模型的精度高3%。。
1 实现方法
1.1 以前的三值网络（TWN）
三值网络 TWN (Ternary weight networks)
阈值的计算公式为：
1.2 该方法的三值网络（TTQ）
将权重W量化为 {−Wl ,0,+Wl }，尺度因子不是某层权重元素绝对值的均值，而是设定为参数Wl，通过反向传播学习获得。
计算出权重的梯度为：
其中:
从而计算的32bit的全精度的梯度为：
阈值的设定有两种方法：
（1）与TWN不同的是，阈值设置为：
这种方法在CIFAR-10的实验中使用阈值t=0.05。
（2）在ImageNet的实验中，并不是由通过钦定阈值的方式进行量化的划分，而是钦定0值的比率r，即稀疏度。
整个过程如下图：
2 实验
2.1 准确度
2.2 在ImageNet上最佳的稀疏度的确定
稀疏度为0（即二值网络）不好，稀疏度太大也不好，30%~50%最好，如Figure 5。
3 结论
在文章是对三值网络TWN的改进，量化值量化了权重没有量化**，加速效果应该不明显。和一般的二值化网络和三值网络一样，在较小的网络上精度的损失还比较小 ，较大的网络损失还是比较大。提出的将尺度因子通过反向传播进行学习，和通过将最大值的t(0-1)倍，作为判断稀疏的阈值，有一定的借鉴意义。