没有乘法的神经网络，你敢想象吗？无论是单个神经元的运算还是卷积运算，都不可避免地要使用乘法。
然而乘法对硬件资源的消耗远大于加法。如果不用乘法，全部改用加法应该可以让运算速度大大提升。
去年年底，来自北京大学、华为诺亚方舟实验室、鹏城实验室的研究人员将这一想法付诸实践，他们提出了一种只用加法的神经网络AdderNet（加法器网络）。一作是华为诺亚方舟实习生，正在北大读博三。
如今，这篇文章已经被CVPR 2020收录（Oral），官方也在GitHub上开放了源代码。有兴趣的同学不妨前往一试究竟。
加法器网络简介
加法器网络的核心在于：用L1距离代替欧氏距离。
L1距离是求两点之间坐标差值的绝对值之和，因此全程不涉及乘法。
在这种新的定义下，反向传播中用到的求偏导数运算也变成了求减法。梯度下降的优化过程也被叫做符号SGD（signSGD）。
在加法器网络的新定义下，特征向量的空间分布也和CNN有很大的不同。
那么AdderNet的实际效果如何呢？
在CIFAR-10的图像分类任务中，AdderNet相比当初Bengio等人提出的加法神经网络BNN性能有大幅提升，并且已经接近了传统CNN的结果。
开源代码
官方的AdderNet基于Python3和PyTorch。
先按照PyTorch的官方文档准备ImageNet数据集，运行程序评估它在验证集上的效果：
python test.py —data_dir 'path/to/imagenet_root/'AdderNet可以在ImageNet数据集上达到74.9％的Top-1准确度和91.7％的Top-5准确度。
或者将CIFAR-10数据集下载到本地，测试一下它在CIFAR-10上的效果
python test.py —dataset cifar10 —model_dir models/ResNet20-AdderNet.pth —data_dir 'path/to/cifar10_root/'不过AdderNet仍需自己训练，官方表示将很快发布预训练模型。
现阶段的AdderNet并非没有缺陷，作者在项目主页中说，由于AdderNet是用加法过滤器实现的，因此推理速度较慢，需要用CUDA编写才能提高速度。
这与作者希望提高神经网络运算速度的初衷还有一段距离。
但这篇论文的作者表示，今后还会继续加法器神经网络的研究，发表更多的成果，让我们一起期待这项研究取得新的进展吧。
华为诺亚实验室实习生领衔打造
AdderNet这篇文章的一作名叫陈汉亭，毕业于同济大学数学系，现在在北京大学信息科学技术学院攻读博士学位，同时在华为诺亚方舟实验室实习。
在硕博连读的前三年中，他已经以一作身份发表了5篇论文，其中一篇《Data-Free Learning of Student Networks》被ICCV 2019收录，另外它参与多篇论文还被NeurIPS、IJCAI、ICML等顶会收录。
传送门
源代码：https://github.com/huawei-noah/AdderNet
论文地址：https://arxiv.org/abs/1912.13200
“
