XNOR-Net：使用二值卷积神经网络进行 ImageNet 分类。

这是 XNOR-Net 的 Torch 7.0 实现，用于通过二值卷积神经网络进行 ImageNet 分类。

引用

@inproceedings{rastegariECCV16,
    Author = {Mohammad Rastegari 和 Vicente Ordonez、Joseph Redmon 和 Ali Farhadi},
    Title = {XNOR-Net：使用二值卷积神经网络进行 ImageNet 分类},
    Booktitle = {ECCV},
    Year = {2016}
}

需求

本软件基于 ImageNet-multiGPU 的实现构建，因此具有完全相同的需求。

请从 这里 下载缓存文件，并运行：

tar -xvf ./cache.tar

训练二值权重网络

th main.lua -data [ImageNet 数据集路径] -nGPU 1 -batchSize 128 -netType alexnet -binaryWeight -dropout 0.1

训练 XNOR 网络

th main.lua -data [ImageNet 数据集路径] -nGPU 4 -batchSize 800 -netType alexnetxnor -binaryWeight -optimType adam -epochSize 1500

已训练模型

要使用已训练的模型，请使用 -retrain [已训练模型文件路径] 和 -testOnly 选项。

二值权重网络 (BWN)

XNOR 网络

如果您使用与 这里 相同的图像预处理方法：

find . -name "*.JPEG" | xargs -I {} convert {} -resize "256^>" {}

那么 Top-1 准确率应为：

alexnet_BWN 56.8%

alexnet_XNOR 43.3%

许可证

通过下载本软件，您即表示已同意 SOFTWARE-LICENSE-AGREEMENT.lic 文件中的条款和条件。

XNOR-Net 快速上手指南

XNOR-Net 是一个基于 Torch 7.0 实现的二值卷积神经网络（Binary CNN），旨在通过二值化权重和激活函数大幅加速图像分类任务，同时保持可接受的精度。本指南将帮助你快速在本地环境中部署并运行该模型。

环境准备

本项目基于 Torch 框架开发，依赖以下环境和组件：

• 操作系统：Linux (推荐 Ubuntu)
• 核心框架：Torch 7.0
• 基础依赖：本项目基于 ImageNet-multiGPU 实现，因此需要安装其所有前置依赖（包括 CUDA、cuDNN 及相关 Lua 包）。
• 数据集：ImageNet 数据集（需自行准备）。
• 缓存文件：项目运行所需的缓存数据。

注意：由于该项目较老且依赖 Torch 7.0（现已被 PyTorch 取代），建议在独立的 Docker 容器或虚拟环境中配置，以免污染现有开发环境。目前原文未提供中国镜像源，下载大文件时建议配置代理或使用支持断点续传的工具。

安装步骤

1. 克隆代码库 首先获取源代码（假设已安装 git）：

   git clone https://github.com/allenai/XNOR-Net.git
   cd XNOR-Net
   

2. 下载并解压缓存文件 从官方服务器下载必要的缓存文件并解压：

   wget https://s3-us-west-2.amazonaws.com/ai2-vision/xnornet/cache.tar
   tar -xvf ./cache.tar
   

3. 确认依赖安装 确保你已完成 imagenet-multiGPU.torch 的所有安装步骤。如果尚未安装，请参考其官方仓库进行环境配置。

基本使用

以下是训练和测试的最简命令示例。请将 [path to ImageNet dataset] 替换为你本地的 ImageNet 数据集路径。

1. 训练二值权重网络 (Binary Weight Network, BWN)

仅对权重进行二值化，适用于单卡或小批量训练场景：

th main.lua -data [path to ImageNet dataset] -nGPU 1 -batchSize 128 -netType alexnet -binaryWeight -dropout 0.1

2. 训练完整 XNOR 网络

对权重和激活值均进行二值化，推荐使用多卡并行以支持大批量数据：

th main.lua -data [path to ImageNet dataset] -nGPU 4 -batchSize 800 -netType alexnetxnor -binaryWeight -optimType adam -epochSize 1500

3. 使用预训练模型进行测试

你可以下载官方提供的预训练模型进行测试。

• 下载模型：

  • BWN 模型 (alexnet_BWN.t7)
  • XNOR 模型 (alexnet_XNOR.t7)

• 执行测试： 使用 -retrain 指定模型路径，并添加 -testOnly 标志：

  th main.lua -data [path to ImageNet dataset] -retrain ./alexnet_BWN.t7 -testOnly
  

精度参考：若使用与原作者相同的图像预处理方式（将短边缩放至 256），预期 Top-1 准确率如下：

• alexnet_BWN: ~56.8%
• alexnet_XNOR: ~43.3%