AAAIFeb, 2020

DWM：一种可分解的 Winograd 卷积加速方法

PDF
TL;DR本文提出了一种新的分解 Winograd 方法（DWM），可以显著提高 Winograd 算法在卷积神经网络中的应用范围（包括大尺寸核和大步长卷积），从而在保持数值精度的同时，减少计算量和提高性能。
winograd's minimal filtering algorithmconvolutional neural networksdecomposable winograd methodkernel sizestride
发现论文，激发创造
  • DNNs 的 Winograd 卷积：超越线性多项式

    研究表明，在 DNN 中采用更广泛的 Winograd 算法可以显着提高浮点（FP）精度，在 fp16 中，这种方法可以使图像识别准确度提高 6.5 倍，同时保持相同数量的元素逐个乘法运算。

    May, 2019

  • 寻找 Winograd 感知量化网络

    提出了一种 Winograd 感知的卷积层形式，通过将 Winograd 变换的数值误差暴露给模型的参数学习来设计具有竞争力的量化模型，同时提出了一种 WiNAS 框架以在准确性和延迟方面联合优化给定宏结构，优化后的 ResNet-18 在 CIFAR-10 上速度提高了 2.66 倍，在不损失准确性的情况下。

    Feb, 2020

  • 基于整数算术的高效 Winograd 卷积

    该论文介绍了一种新的 Winograd 算法，该算法在复数领域扩展构造，并提出了优化方法，在不显著降低准确度的情况下有效地提高了算法效率。此外，作者们设计并实现了基于整数的过滤器缩放方案，可以有效地减少过滤器的位宽，降低模型大小并提高推理速度。

    Jan, 2019

  • 深度分解：在高效卷积神经网络中加速可分离卷积

    本文提出了一种基于 SVD 的分解方法，将常规卷积扩展为深度可分离卷积，从而在维持高准确性的同时，优于通道分解方法，提高了 ShuffleNet V2 模型的 Top-1 准确率约 2％。

    Oct, 2019

  • 高效稀疏 Winograd 卷积神经网络

    提出两种 Winograd-based 的 CNNs 的修改方法，即将 ReLU 操作移至 Winograd domain 以提高 transformed activations 的 sparsity，以及在 Winograd domain 中剪枝权重以利用静态权重稀疏性，实现在 CIFAR-10，CIFAR-100 和 ImageNet 数据集上的模型减少乘法次数分别达到 10.4 倍、6.8 倍和 10.8 倍，精度损失小于 0.1％，优于先前的基线 2.0 倍 - 3.0 倍。

    Feb, 2018

  • 在广泛使用的移动 CPU 上高效实现 Winograd 或 Cook-Toom 卷积核

    本文针对移动设备上广泛使用的 ARM Cortex-A CPU，探讨了 Winograd 或 Cook-Toom 特征压缩算法在卷积神经网络上的高效实现，通过优化计算资源的利用和充分发挥 ARMv8-A NEON SIMD 指令集等策略降低了推断延迟，并在数个代表性 CNN 上进行了模型评估，结果显示相比现有的 im2row/im2col 基于优化技术，可在全网络中提高 60% 左右的性能。

    Mar, 2019

  • 基于高效剩余数系统的 Winograd 卷积

    本论文将 Winograd 算法扩展到残余数字系统 (RNS)，使用 Winograd 变换和低成本 (如 8 位) 算术，在不降低网络预测精度的情况下，准确地计算大量的滤波器和激活区块上的最小复杂度卷积，减少算术复杂度高达 7.03 倍，对于 3x3 和 5x5 的卷积核，性能提高达 2.30 倍到 4.69 倍。

    Jul, 2020

  • 本地修剪实现稀疏 Winograd 卷积

    该研究论文介绍了稀疏方法和 Winograd 卷积的两种正交方法，将其融合可以提高计算性能，同时提供了实现方法和算法，通过 AlexNet 在 ImageNet 数据集上进行 Winograd 系数的本地化训练和修剪，可以得到超过 90％的稀疏度，并实现 5.4 倍加速。

    Feb, 2017

  • 深度神经网络中 Winograd 卷积的误差分析与提高精度方法

    本研究分析了深度神经网络中卷积计算的 numerical accuracy，以 Winograd algorithm 为基础设计了限制误差的 modified algorithm，并提出了 Huffman 编码和 mixed-precision convolution 等多种方法，能显著降低误差并提高计算效率。

    Mar, 2018

  • 在普通硬件上加速机器学习基元

    滑动窗口求和算法在深度神经网络的训练和推理中取得了成功。本文通过对滑动窗口卷积技术的广泛研究，作为常用的通用矩阵乘法（GEMM）卷积的一种更高效的替代方法，解决了内存膨胀问题，并在二维卷积中展示了显著的加速效果。我们在多种实现方式上探索了该技术的性能，包括针对特定滤波器尺寸的自定义内核。结果表明，在 CPU 甚至专用硬件加速器上，滑动窗口计算内核可以优于基于 GEMM 的卷积。这将推动 AI 在低功耗和低内存设备上的更广泛应用，无需专用硬件。同时，我们还讨论了模型压缩方法和优化网络架构与滑动窗口技术的兼容性，鼓励进一步在这些领域开展研究。

    Oct, 2023