兩年前，當(dāng) MeliusNet 問世時(shí)，機(jī)器之心曾發(fā)表過一篇技術(shù)文章《第一次勝過 MobileNet 的二值神經(jīng)網(wǎng)絡(luò)，-1 與 + 1 的三年艱苦跋涉》，回顧了 BNN 的發(fā)展歷程。彼時(shí)，依靠早期 BNN 工作 XNOR-Net 起家的 XNOR.AI 被蘋果公司收購，大家曾暢想過這種低功耗、高效能的二值神經(jīng)網(wǎng)絡(luò)技術(shù)會不會即將開啟廣闊的應(yīng)用前景。

然而，過去的兩年時(shí)間，我們很難從對技術(shù)嚴(yán)格保密的蘋果公司獲得關(guān)于 BNN 技術(shù)應(yīng)用的更多信息，而不論是學(xué)界和業(yè)界也未出現(xiàn)其他特別亮眼的應(yīng)用案例。另一方面，隨著終端設(shè)備數(shù)量的暴漲，邊緣 AI 應(yīng)用和市場正在迅速增長: 預(yù)計(jì)到 2030 年將產(chǎn)生 500 到 1250 億臺邊緣設(shè)備，邊緣計(jì)算市場將暴漲到 600 億美元規(guī)模。這其中有幾個(gè)目前熱門的應(yīng)用領(lǐng)域：AIoT、元宇宙和機(jī)器人終端設(shè)備。相關(guān)業(yè)界正在加速發(fā)力技術(shù)落地，與此同時(shí) AI 能力已經(jīng)嵌入到以上領(lǐng)域的諸多核心技術(shù)環(huán)節(jié)中，如 AI 技術(shù)在三維重建、視頻壓縮以及機(jī)器人實(shí)時(shí)感知場景中的廣泛應(yīng)用。在這樣的背景下，業(yè)界對基于邊緣的高能效、低功耗 AI 技術(shù)、軟件工具以及硬件加速的需求變的日益迫切。

目前，制約 BNN 應(yīng)用的瓶頸主要有兩方面：首先，無法有效縮小和傳統(tǒng) 32-bit 深度學(xué)習(xí)模型的精度差距；第二則是缺乏在不同硬件上的高性能算法實(shí)現(xiàn)。機(jī)器學(xué)習(xí)論文上的加速比通常無法體現(xiàn)在你正在使用的 GPU 或 CPU 上。第二個(gè)原因的產(chǎn)生可能正是來自于第一個(gè)原因，BNN 無法達(dá)到令人滿意的精度，因此無法吸引來自系統(tǒng)和硬件加速、優(yōu)化領(lǐng)域的從業(yè)者的廣泛關(guān)注。而機(jī)器學(xué)習(xí)算法社區(qū)通常無法自己開發(fā)高性能的硬件代碼。因此，想要同時(shí)獲得高精度和強(qiáng)加速效果，BNN 應(yīng)用或加速器無疑需要來自這兩個(gè)不同領(lǐng)域的開發(fā)者進(jìn)行協(xié)作。

BNN 為什么對于計(jì)算和內(nèi)存高效

舉個(gè)例子，Meta 推薦系統(tǒng)模型 DLRM 使用 32-bit 浮點(diǎn)數(shù)來儲存權(quán)重和激活參數(shù)，它的模型大小約為 2.2GB。而一個(gè)少量精度下降 (<4%) 的二值版本模型的大小僅為 67.5MB，由此可見二值神經(jīng)網(wǎng)絡(luò)可以節(jié)省 32 倍的模型大小。這對于儲存受限的邊緣設(shè)備來說具備了非常強(qiáng)的優(yōu)勢。此外，BNN 也非常適合應(yīng)用在分布式 AI 場景中，例如聯(lián)邦學(xué)習(xí)常常對模型權(quán)重進(jìn)行傳輸和聚合操作，因此模型大小和帶寬受限往往成為整個(gè)系統(tǒng)的瓶頸。常用的手段是通過增加模型本地優(yōu)化迭代次數(shù)來換取權(quán)重傳輸頻率的降低，用這種折中的方法來提升整體效率，如著名的谷歌 FedAvg 算法。但增大本地計(jì)算量的策略對端側(cè)用戶并不友好，這里，如果采用 BNN 就可以很輕易的降低幾十倍的數(shù)據(jù)傳輸量。

BNN 的第二個(gè)顯著的優(yōu)勢是計(jì)算方式極度高效。它只用 1bit 也就是兩種 state 來表示變量。這意味著所有運(yùn)算只靠位運(yùn)算就能完成，借助與門、異或門等運(yùn)算，可以替代傳統(tǒng)乘加運(yùn)算。位運(yùn)算是電路中的基礎(chǔ)單元，熟悉電路設(shè)計(jì)的同學(xué)應(yīng)該明白，有效減小乘加計(jì)算單元的面積以及減少片外訪存是降低功耗的最有效手段，而 BNN 從內(nèi)存和計(jì)算兩個(gè)方面都具備得天獨(dú)厚的優(yōu)勢，WRPN[1]展示了在定制化 FPGA 和 ASIC 上，BNN 對比全精度可獲得 1000 倍的功耗節(jié)省。更近期的工作 BoolNet [2]展示了一種 BNN 結(jié)構(gòu)設(shè)計(jì)可以幾乎不使用浮點(diǎn)運(yùn)算并保持純 binary 的信息流，它在 ASIC 仿真中獲得極佳的功耗、精度權(quán)衡。

第一個(gè)精度上 80% 的 BNN 是什么樣子的？

來自德國 Hasso Plattner 計(jì)算機(jī)系統(tǒng)工程研究院的 Nianhui Guo 和 Haojin Yang 等研究者提出了 BNext 模型，成為第一個(gè)在 ImageNet 數(shù)據(jù)集上 top1 分類準(zhǔn)確率突破 80% 的 BNN:

圖 1 基于 ImageNet 的 SOTA BNN 性能對比

論文地址：https://arxiv.org/pdf/2211.12933.pdf

作者首先基于 Loss Landscape 可視化的形式深入對比了當(dāng)前主流 BNN 模型同 32-bit 模型在優(yōu)化友好度方面的巨大差異 (圖 2)，提出 BNN 的粗糙 Loss Landscape 是阻礙當(dāng)前研究社區(qū)進(jìn)一步探索 BNN 性能邊界的的主要原因之一?；谶@一假設(shè)，作者嘗試?yán)眯路f的結(jié)構(gòu)設(shè)計(jì)對 BNN 模型優(yōu)化友好度進(jìn)行提升，通過構(gòu)造具備更平滑 Loss Landscape 的二值神經(jīng)網(wǎng)絡(luò)架構(gòu)以降低對高精度 BNN 模型的優(yōu)化難度。具體而言，作者強(qiáng)調(diào)模型二值化大幅度限制了可用于前向傳播的特征模式，促使二值卷積僅能在有限的特征空間進(jìn)行信息提取與處理，而這種受限前饋傳播模式帶來的優(yōu)化困難可以通過兩個(gè)層面的結(jié)構(gòu)設(shè)計(jì)得到有效緩解：(1) 構(gòu)造靈活的鄰接卷積特征校準(zhǔn)模塊以提高模型對二值表征的適應(yīng)性；(2) 探索高效的旁路結(jié)構(gòu)以緩解前饋傳播中由于特征二值化帶來的信息瓶頸問題。

圖 2 針對流行 BNN 架構(gòu)的 Loss Landscape 可視化對比（2D 等高線視角）

基于上述分析，作者提出了 BNext，首個(gè)在 ImageNe 圖像分類任務(wù)達(dá)到 > 80% 準(zhǔn)確率的二值神經(jīng)網(wǎng)絡(luò)架構(gòu)，具體的網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)如圖 4 所示。作者首先設(shè)計(jì)了基于 Info-Recoupling (Info-RCP) 模塊的基礎(chǔ)二值處理單元。針對鄰接卷積間的信息瓶頸問題，通過引入額外的 Batch Normalization 層與 PReLU 層完成對二值卷積輸出分布的初步校準(zhǔn)設(shè)計(jì)。接著作者構(gòu)造了基于逆向殘差結(jié)構(gòu)與 Squeeze-And-Expand 分支結(jié)構(gòu)的二次動態(tài)分布校準(zhǔn)設(shè)計(jì)。如圖 3 所示，相比傳統(tǒng)的 Real2Binary 校準(zhǔn)結(jié)構(gòu)，額外的逆向殘差結(jié)構(gòu)充分考慮了二值單元輸入與輸出間的特征差距，避免了完全基于輸入信息的次優(yōu)分布校準(zhǔn)。這種雙階段的動態(tài)分布校準(zhǔn)可以有效降低后續(xù)鄰接二值卷積層的特征提取難度。

圖 3 卷積模塊設(shè)計(jì)對比圖

其次，作者提出結(jié)合 Element-wise Attention (ELM-Attention) 的增強(qiáng)二值 Basic Block 模塊。作者通過堆疊多個(gè) Info-RCP 模塊完成 Basic Block 的基礎(chǔ)搭建，并對每個(gè) Info-RCP 模塊引入額外的 Batch Normalization 和連續(xù)的殘差連接以進(jìn)一步緩解不同 Info-RCP 模塊間的信息瓶頸問題?；谂月方Y(jié)構(gòu)對二值模型優(yōu)化影響的分析， 作者提出使用 Element-wise 矩陣乘法分支對每個(gè) Basic Block 的首個(gè) 3x3 Info-RCP 模塊輸出進(jìn)行分布校準(zhǔn)。額外的空域注意力加權(quán)機(jī)制可以幫助 Basic Block 以更靈活的機(jī)制進(jìn)行前向信息融合與分發(fā)，改善模型 Loss Landscape 平滑度。如圖 2.e 和圖 2.f 所示，所提出的模塊設(shè)計(jì)可以顯著改善模型 Loss Landscape 平滑度。

圖 4 BNext 架構(gòu)設(shè)計(jì)。"Processor 代表 Info-RCP 模塊，"BN "代表 Batch Normalization 層，"C "表示模型基本寬度，"N "和"M " 表示模型不同階段的深度比例參數(shù)。

Table 1 BNext 系列?！癚”表示輸入層、SEbranch以及輸出層量化設(shè)置。

作者將以上結(jié)構(gòu)設(shè)計(jì)同流行的MoboleNetv1基準(zhǔn)模型結(jié)合，并通過改變模型深度與寬度的比例系數(shù)構(gòu)建了四種不同復(fù)雜度的 BNext 模型系列 (Table 1)：BNex-Tiny，BNext-Small，BNext-Middle，BNext-Large。

由于相對粗糙的 Loss Landscape，當(dāng)前二值模型優(yōu)化普遍依賴于 knowledge distillation 等方法提供的更精細(xì)監(jiān)督信息，以此擺脫廣泛存在的次優(yōu)收斂。BNext作者首次考慮了優(yōu)化過程中teache模型與二值student模型預(yù)測分布巨大差距可能帶來的影響，，指出單純基于模型精度進(jìn)行的 teacher 選擇會帶來反直覺的 student 過擬合結(jié)果。為解決這一問題，作者提出了 knowledge-complexity (KC) 作為新的 teacher-selection 度量標(biāo)準(zhǔn)，同時(shí)考慮 teacher 模型的輸出軟標(biāo)簽有效性與 teacher 模型參數(shù)復(fù)雜度之間的關(guān)聯(lián)性。

如圖 5 所示，基于 knowledge complexity，作者對流行全精度模型系列如 ResNet、EfficientNet、ConvNext 進(jìn)行了復(fù)雜度度量與排序，結(jié)合 BNext-T 作為 student 模型初步驗(yàn)證了該度量標(biāo)準(zhǔn)的有效性，并基于排序結(jié)果用于后續(xù)實(shí)驗(yàn)中的 knowledge distillation 模型選擇。

圖 5 反直覺的過擬合效應(yīng)和不同教師選擇下的知識復(fù)雜性影響

在此基礎(chǔ)上，論文作者進(jìn)一步考慮了強(qiáng) teacher 優(yōu)化過程中由于早期預(yù)測分布差距造成的優(yōu)化問題，提出 Diversified Consecutive KD。如下所示，作者通過強(qiáng)弱 teachers 組合的知識集成方法對優(yōu)化過程中的目標(biāo)函數(shù)進(jìn)行調(diào)制。在此基礎(chǔ)上，進(jìn)一步引入 knowledge-boosting 策略，利用多個(gè)預(yù)定義候選 teachers 在訓(xùn)練過程中對弱 teacher 進(jìn)行均勻切換，將組合知識復(fù)雜度按照從弱到強(qiáng)的順序進(jìn)行課程式引導(dǎo)，降低預(yù)測分布差異性帶來的優(yōu)化干擾。

在優(yōu)化技巧方面，BNext 作者充分考慮了現(xiàn)代高精度模型優(yōu)化中數(shù)據(jù)增強(qiáng)可能帶來的增益，并提供了首個(gè)針對現(xiàn)有流行數(shù)據(jù)增強(qiáng)策略在二值模型優(yōu)化中可能帶來影響的分析結(jié)果，實(shí)驗(yàn)結(jié)果表明，現(xiàn)有數(shù)據(jù)增強(qiáng)方法并不完全適用于二值模型優(yōu)化，這為后續(xù)研究中特定于二值模型優(yōu)化的數(shù)據(jù)增強(qiáng)策略設(shè)計(jì)提供了思路。

基于所提出架構(gòu)設(shè)計(jì)與優(yōu)化方法，作者在大規(guī)模圖像分類任務(wù) ImageNet-1k 進(jìn)行方法驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖 6 所示。

圖 6 基于 ImageNet-1k 的 SOTA BNN 方法比較。

相比于現(xiàn)有方法，BNext-L 在 ImageNet-1k 上首次將二值模型的性能邊界推動至 80.57%，對大多數(shù)現(xiàn)有方法實(shí)現(xiàn)了 10%+ 的精度超越。相比于來自 Google 的 PokeBNN, BNext-M 在相近參數(shù)量前提下要高出 0.7%，作者同時(shí)強(qiáng)調(diào)，PokeBNN 的優(yōu)化依賴于更高的計(jì)算資源，如高達(dá) 8192 的 Bacth Size 以及 720 個(gè) Epoch 的 TPU 計(jì)算優(yōu)化，而 BNext-L 僅僅以常規(guī) Batch Size 512 迭代了 512 個(gè) Epoch，這反映了 BNext 結(jié)構(gòu)設(shè)計(jì)與優(yōu)化方法的有效性。在基于相同基準(zhǔn)模型的比較中，BNext-T 與 BNext-18 都有著大幅度的精度提升。在同全精度模型如 RegNetY-4G (80.0%)等的對比中，BNext-L 在展現(xiàn)相匹配的視覺表征學(xué)習(xí)能力同時(shí)，僅僅使用了有限的參數(shù)空間與計(jì)算復(fù)雜度，這為在邊緣端部署基于二值模型特征提取器的下游視覺任務(wù)模型提供了豐富想象空間。

What next?

BNext 作者在論文中提到的，他們和合作者們正積極在 GPU 硬件上實(shí)現(xiàn)并驗(yàn)證這個(gè)高精度 BNN 架構(gòu)的運(yùn)行效率，未來計(jì)劃擴(kuò)展到其他更廣泛的硬件平臺上。然而在編者看來，讓社區(qū)對 BNN 重拾信心，被更多系統(tǒng)和硬件領(lǐng)域的極客關(guān)注到，也許這個(gè)工作更重要的意義在于重塑了 BNN 應(yīng)用潛力的想象空間。從長遠(yuǎn)來看，隨著越來越多的應(yīng)用從以云為中心的計(jì)算范式向去中心化的邊緣計(jì)算遷移，未來海量的邊緣設(shè)備需要更加高效的 AI 技術(shù)、軟件框架和硬件計(jì)算平臺。而目前最主流的 AI 模型和計(jì)算架構(gòu)都不是為邊緣場景設(shè)計(jì)、優(yōu)化的。因此，在找到邊緣 AI 的答案之前，相信 BNN 始終都會是一個(gè)充滿技術(shù)挑戰(zhàn)又蘊(yùn)涵巨大潛力的重要選項(xiàng)。

審核編輯 ：李倩