论文：Fast Algorithms for Convolutional Neural Networks
本博客关注于论文中Winograd 变换部分
在1D，2D和多维度中，最小算法需要等于输入数量的多次乘法。 换句话说，为了计算F（m，r），我们必须访问m + r-1个数据值的间隔，并且为了计算F（m×n，r×s），我们必须访问（m + r- 1）×（n + s-1）数据值。 因此，最小滤波算法需要每个输入一次乘法。
1、F（2x2，3x3）
F（2,3）的标准算法使用2×3 = 6乘法.Winograd [16，p。 43]记录了以下最小算法：
该算法仅使用4次乘法，因此通过公式μ（F（2，3））= 2 + 3 - 1 = 4最小化。它还使用涉及数据的4个加法，3次加法和2次乘法， 过滤器（总和g0 + g2可以计算一次），另外4个加法将产品减少到最终结果。
快速滤波算法可以以矩阵形式写成：
其中@表示元素乘法。 对于F（2,3），矩阵为：
最小1D算法F（m，r）自身嵌套以获得最小2D算法，F（m×m，r×r）如下：
其中现在g是r×r滤波器，d是（m + r-1）×（m + r-1）图像瓦片。 通过将F（m，r）的算法与F（n，s）的算法嵌套，可以将嵌套技术推广到非平方滤波器和输出F（m×n，r×s）。
F（2×2,3×3）使用4×4 = 16乘法，而标准算法使用2×2×3×3 = 36。这是36/16 = 2.25的算术复杂度降低。 数据变换使用32个加法，滤波器变换使用28个浮点指令，逆变换使用24个加法。
F（m×m，r×r）的算法可用于计算具有r×r内核的交集层。 每个图像通道被分成尺寸（m + r-1）×（m + r-1）的瓦片，r-1个相邻瓦片之间的重叠元件产生P =ΔH/m≤W/ m 然后对每个通道中的每个瓦片和滤波器组合计算C.F（m×m，r×r），并将结果在所有通道上相加。
构建U = GgGT和V = BTdB，我们有：
将瓦片坐标标记为（x，y），我们将单个图像i，滤波器k和瓦片坐标（x，y）的交换图层公式（2）重写为：
2、F（3x3，2x2）
使用随机梯度下降训练网络需要相对于输入和权重计算梯度。 对于一个三角形网络层，相对于输入的梯度是下一层反向传播误差（尺寸为N×K×H×W）与层的R×S滤波器的翻转版本的卷积。 因此，可以使用与正向传播相同的算法进行计算。
相对于权重的梯度是层输入与反向传播误差的卷积，产生每个滤波器和通道的R×S个输出。 因此，我们需要计算卷积F（R×S，H×W），这是不切实际的，因为我们的快速算法的H×W太大了。我们将这个卷积分解成一个较小的卷积的直接和，例如F（ 3×3，2×2）。算法的4×4瓦片在每个维度上重叠2个像素，3×3输出在所有瓦片上求和，形成F（3×3，H×W）。
对于（3 + 2-1）2 = 16乘法与直接卷积的3×3×2×2 = 36乘法，它实现与相应的正向传播算法相同的36/16 = 2.25算术复杂度降低。
3、F（4x4，3x3）
数据变换使用12个浮点指令，滤波变换使用8，逆变换使用10。
应用嵌套公式对于使用6×6 = 36乘法的F（4×4,3×3）的最小算法，而标准算法使用4×4×3×3 = 144.这是算术复杂度降低4。
2D数据变换使用12（6 + 6）= 144个浮点指令，滤波变换使用8（3 + 6）= 72，逆变换使用10（6 + 4）= 100。
最小Winograd变换所需的加法和常数乘法的数量随着瓦片大小而二次增加[10，p。 211]。因此，对于大的瓦片，变换的复杂性将压倒乘法数量的任何节省。
变换矩阵元素的大小也随着瓷砖尺寸的增加而增加。这有效地降低了计算的数值精度，因此对于大块，无法准确计算变换[16，p。 28。
Convnets需要惊人的数字精度[5,6]。这意味着我们可以在过滤计算中牺牲一些数值精度，而不会影响到凝血酶的准确性。我们检查补充材料中F（6×6，3×3）的可能性。