[논문 리뷰] FastGRNN: A Fast, Accurate, Stable and Tiny Kilobyte Sized Gated Recurrent Neural Network

Aditya Kusupati, Manish Singh외 4명|arXiv (Cornell University)|2019. 01. 08.

Neural Networks and Applications참고 문헌 47인용 수 97

한 줄 요약

본 논문은 학습을 안정화하고 모델 크기를 대폭 감소시키면서 정확도를 보존하는 FastRNN 및 FastGRNN 아키텍처를 제시하며, 자원 제약 기기에서 온-디바이스 추론을 위해 킬로바이트 크기의 RNN을 가능하게 한다.

ABSTRACT

This paper develops the FastRNN and FastGRNN algorithms to address the twin RNN limitations of inaccurate training and inefficient prediction. Previous approaches have improved accuracy at the expense of prediction costs making them infeasible for resource-constrained and real-time applications. Unitary RNNs have increased accuracy somewhat by restricting the range of the state transition matrix's singular values but have also increased the model size as they require a larger number of hidden units to make up for the loss in expressive power. Gated RNNs have obtained state-of-the-art accuracies by adding extra parameters thereby resulting in even larger models. FastRNN addresses these limitations by adding a residual connection that does not constrain the range of the singular values explicitly and has only two extra scalar parameters. FastGRNN then extends the residual connection to a gate by reusing the RNN matrices to match state-of-the-art gated RNN accuracies but with a 2-4x smaller model. Enforcing FastGRNN's matrices to be low-rank, sparse and quantized resulted in accurate models that could be up to 35x smaller than leading gated and unitary RNNs. This allowed FastGRNN to accurately recognize the "Hey Cortana" wakeword with a 1 KB model and to be deployed on severely resource-constrained IoT microcontrollers too tiny to store other RNN models. FastGRNN's code is available at https://github.com/Microsoft/EdgeML/.

연구 동기 및 목표

• 표준 RNN의 불안정하고 부정확한 학습 및 게이트/유닛 모델에서의 높은 예측 비용을 해결한다.
• 학습 안정화를 위한 최소한의 추가 매개변수로 잔여 연결(residual connection) 기반 RNN(FastRNN)을 개발한다.
• 작은 모델 크기에서도 경쟁력 있는 정확도를 달성하도록 RNN 매트를 재사용하는 게이트를 도입하여 FastRNN을 FastGRNN으로 확장한다.
• 저랭크(low-rank), 희소성(sparsity), 양자화(quantization)를 통해 대단히 큰 모델 압축을 가능하게 하되 정확도 손실은 크게 없이.

제안 방법

• 그래디언트를 안정시키기 위해 두 개의 학습 가능한 스칼라 가중치(α, β)를 갖는 FastRNN의 가중 잔여 연결을 도입한다.
• 시퀀스 길이 T에 독립적인 FastRNN의 수렴과 T에 독립적인 일반화 경계를 보이는 이론적 상한을 도출한다.
• 스칼라 잔여를 RNN 매트를 재사용하는 각 좌표 게이트 z_t로 교체하여 FastGRNN을 개발한다.
• W와 U에 저랭크, 희소성, 양자화를 적용하여 정확도를 유지하면서 킬로바이트 크기의 모델(1–6 KB)을 얻는다.
• 세 단계 절차로 FastGRNN을 학습한다: 저랭크 표현을 학습하고, 희소성 구조를 학습하고, 고정 지원으로 최적화한다; 그런 다음 정수 연산 추론을 위한 바이트 양자화를 적용한다.

실험 결과

연구 질문

• RQ1 잔여 연결이 적용된 RNN(FastRNN)이 표준 RNN에 비해 최소한의 추가 매개변수로 안정적인 학습과 경쟁력 있는 정확도를 달성할 수 있는가?
• RQ2 RNN 매트를 재사용하는 게이트 기반 확장(FastGRNN)이 모델 크기의 일부만으로도 최첨단 수준의 정확도를 유지하는가?
• RQ3 저랭크, 희소성 및 양자화 표현이 큰 정확도 손실 없이 FastGRNN를 얼마나 압축할 수 있는가?
• RQ4 킬로바이트 크기의 FastGRNN 모델이 실시간 온디바이스 워크워드 감지 및 기타 IoT 작업에 적합한가?

주요 결과

• FastRNN은 학습이 잔여 연결과 두 개의 학습 가능한 가중치로 인해 표준 RNN보다 이론적으로 안정적이고 더 빠르게 수렴한다.
• FastGRNN은 최첨단 게이트 RNN의 정확도에 근접하거나 이를 상회하면서도 선도하는 게이트/유닛 RNN들보다 매개변수를 2–4배 적게 사용한다.
• 저랭크, 희소성, 양자화 제약을 적용하면 FastGRNN 모델은 선도하는 게이트/유닛 RNN 대비 최대 35배 작아질 수 있다.
• 1 KB FastGRNN 모델은 Hey Cortana 워크워드를 더 큰 모델과 비슷한 정확도로 인식할 수 있으며 매우 자원 제약 IoT 기기에 배치될 수 있다.
• IoT 하드웨어에서 FastGRNN은 예측 속도가(특정 보드에서 예측 18–42배 빠름) 선도하는 RNN 방법보다 실질적으로 빠르며; 다른 비교에서는 25–45배 빠르다.