如何在卷积网中使用im2col操作更有效率？

Question

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。它基本上存储要在不同列中乘以过滤器的输入。但为什么不应该直接使用循环来计算卷积而不是先执行im2col？

Answer 1

1. 嗯，你正在以正确的方式思考，在Alex Net中，几乎95％的GPU时间和89％的CPU时间花费在卷积层和完全连接层上。

2. 卷积层和完全连接层使用GEMM实现，代表通用矩阵到矩阵乘法。

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

4. 现在，您可能有一个问题，而不是直接进行元素明智的卷积，为什么我们在两者之间添加一个步骤来以不同的方式排列数据，然后使用GEMM。

5. 对此的答案是，科学程序员花了数十年时间优化代码来执行大型矩阵到矩阵乘法，并且非常规则的内存访问模式带来的好处超过任何其他损失。 我们在cuBLAS库中有一个优化的CUDA GEMM API，英特尔MKL具有优化的CPU GEMM，而ciBLAS的GEMM API可用于支持OpenCL的设备。

6. 元素智能卷积由于其中涉及的不规则内存访问而表现不佳。

7. 反过来，Im2col()以矩阵乘法的内存访问规则的方式排列数据。

8. Im2col()函数虽然增加了大量的数据冗余，但使用Gemm的性能优势超过了这种数据冗余。

9. 这就是在神经网络中使用Im2col()操作的原因。

10. 此链接说明了Im2col()如何为GEMM安排数据： https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/