本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
在不做乘加操作（multiply-adds）的情况下，能计算矩阵乘法吗？
矩阵乘法包含大量a+b×c类运算，因此常在运算中将乘法器和加法器进行结合成一个计算单元，进行乘法累加操作。
用近似算法的话，确实可以！
这是来自MIT的最新研究，他们提出了一种新的近似算法MADDNESS，在确保一定精度的情况下，将速度提升到了现有近似算法的10倍，比精确算法速度快100倍，被ICML 2021收录。
研究还认为，新算法可能比最近大火的稀疏化、因子化等操作更有前途。
目前，作者已经开源了算法代码，感兴趣的小伙伴们可以去尝试一下。
一起来看看。
用K聚类算法搞个查找表
这个算法，借鉴了一种叫做乘积量化（Product Quantization）的方法。
其中，量化本质上是一种近似操作。
由于矩阵乘法中的每个元素，都可以看做是两个向量的点积，因此可以通过查找相似向量，来近似地估计向量的点积，而无需再进行大量乘法运算。
乘积量化的具体原理如下：
当我们输入一个要计算的向量a的时候，函数g(·)会对a进行一个近似操作，从一个提前设置好的数值查找表中，找到与它最相近的那个值，并输出一个近似的向量g(a)。
与此同时，这张表格中的每个值，都已经提前做过点积计算了，因此在输出g(a)的同时，它与查询向量（query vector）b对应的近似点积计算结果h(b)也能被查表并输出。
最后，只需要用f(·,·)函数对g(a)和h(b)做加法运算，而不需要再做乘法计算了。
简单来说，就是通过近似查表的方法，节省了矩阵乘法中的乘法计算时间。
那么，这样的数值查找表，究竟要设置什么数值，才能确保在近似计算过程中，损失的计算精度最小呢？
这里借鉴了一下K聚类算法（K-means）的思路，即将数据预分为K组，随机选取K个对象作为初始聚类中心，再通过训练迭代，确保在将样本分到K个类中时，每个样本与其所属类中心的距离之和最小。
△可视化的K聚类算法
通过这种方法计算出来的数值查找表，能更准确地近似矩阵乘法的数值计算结果。
根据这样的思路，作者们提出了一种高效的向量乘积量化函数，能在单CPU中每秒编码超过100GB的数据；同时，还提出了一种针对低位宽整数的高速求和函数。
然后，基于这两类函数，整出了一套全新的矩阵乘法算法MADDNESS。
这个近似算法的效果如何呢？
精度保持，效率提升数倍
这个算法所需要的算力并不高，在搭载英特尔酷睿i7-4960HQ（2.6GHz）处理器的Macbook Pro上就能完成。
他们在Keras版本的VGG16模型上进行了测试，所用的数据集是CIFAR-10/100，对一系列最新的近似算法进行了评估：
从图中来看，在效率提升接近10倍的情况下，采用MADDNESS（图中红线）仍然能在CIFAR-10上保持几乎不变的精度。
即使是在CIFAR-100上，在精度几乎不变的情况下，MADDNESS和MADDNESS-PQ也同样实现了效率最大化的结果。
除了最新算法外，与其他的现有算法相比（包括作者们在2017年提出的Bolt算法），效果同样非常拔尖。
对比计算速度的话，MADDNESS的点积速度就能比现有最快方法快两倍左右。
当然，也有读者指出，这篇论文还存在一些待解决的问题：
①论文用的是VGG16模型，但没有在Transformer等更经典的模型（如BERT）中进行实验；②虽然对矩阵乘法进行了加速，但毕竟只是近似算法，意味着潜在的精度损失；③没有在GPU中测试评估结果。
但他仍然认为，这不失为一篇非常有意思的研究。
作者介绍
Davis Blalock，MIT的计算机系博士生，致力于研发快速机器学习算法，他认为速度是衡量机器学习模型的一个非常重要的因素。
John Guttag，MIT计算机系教授，研究方向是机器学习、AI和计算机视觉，目前的研究项目集中在医疗AI和医学成像上。
值得一提的是，这两位研究人员，此前还炮轰过神经网络中的剪枝算法。
他们针对其中的81种算法进行了横向对比，发现“没有明确证据表明，这些算法在10年内，对任务效果有明显改善”。
研究一作Davis Blalock还认为：
这些改进都是所谓的“微调”，而不是科研人员声称的“核心创新”，甚至有些改进方法可能根本就不存在。
在对AI模型进行效率提升上，两位作者确实是很严格了。
项目地址：
https://github.com/dblalock/bolt
论文地址：
https://arxiv.org/abs/2106.10860
