neural-network - 如何在卷积网络中使用 im2col 操作更有效？

标签 neural-network conv-neural-network correlation convolution deconvolution

我正在尝试实现卷积神经网络，但我不明白为什么使用 im2col 操作更有效。它基本上将要乘以过滤器的输入存储在单独的列中。但是为什么不应该直接使用循环来计算卷积而不是先执行 im2col 呢？

最佳答案

好吧，你的想法是正确的，在 Alex Net 中，几乎 95% 的 GPU 时间和 89% 的 CPU 时间都花在了卷积层和全连接层上。

卷积层和全连接层是使用 GEMM 实现的，GEMM 代表 General Matrix to Matrix Multiplication。

所以基本上在 GEMM 中，我们通过使用一个名为 im2col() 的函数将卷积运算转换为矩阵乘法运算。它以一种可以通过矩阵乘法实现卷积输出的方式排列数据。

现在，您可能会有一个问题，而不是直接进行元素智能卷积，为什么我们要在两者之间添加一个步骤以不同的方式排列数据，然后使用 GEMM。

答案是，科学程序员花了数十年时间优化代码以执行大型矩阵到矩阵的乘法，并且非常规则的内存访问模式带来的好处超过了任何其他损失。
我们在 cuBLAS 库中有一个优化的 CUDA GEMM API，Intel MKL 有一个优化的 CPU GEMM，而 ciBLAS 的 GEMM API 可用于支持 OpenCL 的设备。

由于其中涉及不规则的内存访问，元素智能卷积表现不佳。

反过来，Im2col()以矩阵乘法的内存访问规则的方式排列数据。

Im2col()函数虽然增加了很多数据冗余，但是使用 Gemm 的性能优势超过了这种数据冗余。

这就是使用 Im2col() 的原因神经网络中的操作。

此链接解释了如何 Im2col()为 GEMM 整理数据:
https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/

关于neural-network - 如何在卷积网络中使用 im2col 操作更有效？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/46213531/