二值网络（Binary Neural Networks，又称 1-bit 网络）是一种特殊的神经网络，它将网络的权重和中间特征压缩为 1 个 bit，可以看作是普通浮点型网络量化到极致的结果。和其它 bit 数稍高的量化网络（例如三值网络、2-bit 网络、4-bit 网络）相比，二值网络最突出的优点在于，1-bit 乘加操作可以通过位运算高效实现，因此可以无缝运行在主流硬件平台（x86、ARM）上，而三值、2-bit、4-bit 等等操作需要特殊硬件平台（FPGA、ASIC）支持。在计算效率上，一个 32 位浮点运算指令只能完成一次浮点乘法或加法运算，但一个 32 位位运算指令可以同时完成 32 个 1-bit 乘法运算，具体来说，一个二值卷积可以通过 xnor（异或） 和 bitcount（计算操作数中值为 1 的 bit 的数量）操作高效完成：
在二值网络领域已经有一些推断框架，例如 BMXNet [2]，BitStream [3]，BitFlow [4]。其中，BitStream 和 BitFlow 只有论文，而没有源代码或二进制库，BMXNet 虽然开源，但在 Google Pixel 1 手机上进行的测试显示，它甚至比全精度推断框架 TensorFlow Lite 还要慢。
dabnn
为了填补这个空白，京东 AI 开源了一个针对 arm 指令集高度优化的二值网络 inference 框架 dabnn，这是第一个高度优化的针对二值网络的开源推理框架，和 BMXNet 相比，dabnn 的速度有一个数量级的提升，对应的论文已被多媒体顶会 ACM MM 的 Open Source Software Competition 接收。
论文链接：https://arxiv.org/abs/1908.05858
项目地址：https://github.com/JDAI-CV/dabnn
Demo链接：https://github.com/JDAI-CV/dabnn-example
dabnn 能取得非常快的速度的原因之一是，dabnn 的作者发现，虽然GEMM 是实现卷积的通用方法，BMXNet 和 BitStream 也用 GEMM 的 1-bit 变种 —— BGEMM 实现二值卷积，但对于 ARM 架构的二值卷积来说，它并不是最优的方法。因为 arm 架构下的 bitcount 指令有着特殊的特性，每个 bitcount 之后需要添加一个称作 addv 的额外指令，才能得到操作数中值为 1 的 bit 数量，这将导致计算二值卷积所需的指令数大大增加。基于这个观察，dabnn使用Binary Direct Convolution而不是 BGEMM实现二值卷积，经过仔细的设计，addv 的数量被减少到了最小，降低了推断的延迟。
为了证明 Binary Direct Convolution 的有效性，dabnn 的作者将 BGEMM 中所有的 addv 指令去掉，得到一个非正常的 BGEMM 实现，并比较了 BGEMM、BGEMM without addv 和 Binary Direct Convolution 的速度。对比结果清晰的说明过多的 addv 指令大大拖慢了 BGEMM 的速度（如图所示）。
图表 1 不同的二值卷积方法的比较（图片来自于 [1]）
和已有框架的比较
如前文所说，在二值网络领域，几个已有 inference 框架或是不开放使用，或是速度较慢。与之相比，dabnn 不仅开源，并且有非常快的推理速度。从下图的测试数据可以看出，针对 3x3 卷积，和 TensorFlow Lite（全精度）相比，dabnn 要快 8～10 倍，和 BMXNet （二值）相比，dabnn 要快 7～23 倍。
图表 2不同的推断框架的速度比较，二值网络（如 Bi-Real Net）通常含有一部分全精度卷积，因此加速比没有单个二值卷积那么明显（图片来自于[1]）
图表 3各个二值网络推断框架的比较（图片来自于[1]）如何转换模型
dabnn 同时开源了转换 ONNX 模型为 dabnn 模型的转换工具（值得一提的是，dabnn 的作者同时也是 ONNX 的资深贡献者），ONNX 是一个被几乎所有训练框架支持的模型格式。作为对比，BMXNet 重度依赖于 MXNet 且只支持 MXNet 模型。
使用 dabnn 的项目
dabnn 的 paper 放到 arxiv 不到两个月，已经有两篇二值网络 paper 使用 dabnn 进行实验，分别是商汤的 IR-Net: Forward and Backward Information Retention for Highly Accurate Binary Neural Networks（https://arxiv.org/abs/1909.10788 ）和北航等机构的 Balanced Binary Neural Networks with Gated Residual （https://arxiv.org/abs/1909.12117 ）。这体现了 dabnn 对于二值网络领域的重要性。
