This thesis is aimed at developing a method that reduces the computational cost of convolutional neural networks (CNN) during inference. Conventionally, the input data pass through a fixed neural network architecture. However, easy examples can be classified at early stages of processing and conventional networks do not take this into account. In this thesis, we introduce `Early-exit CNNs`, EENets for short, which adapt their computational cost based on the input by stopping the inference process at certain exit locations. In EENets, there are a number of exit blocks each of which consists of a confidence branch and a softmax branch. The confidence branch computes the confidence score of exiting (i.e. stopping the inference process) at that location; while the softmax branch outputs a classification probability vector. Both branches are learnable and they are independent of each other. During training of EENets, in addition to the classical classification loss, the computational cost of inference is taken into account as well. As a result, the network adapts its many confidence branches to the inputs so that less computation is spent for easy examples. Inference works as in conventional feed-forward networks, however, when the output of a confidence branch is larger than a certain threshold, the inference stops for that specific example. Through comprehensive experiments, we show that EENets significantly reduce the computational cost upto 2% of the original without degrading the testing accuracy. The idea of EENets is applicable to available CNN architectures such as ResNets. On MNIST, SVHN and CIFAR10 datasets, early-exit (EE) ResNets achieve similar accuracy with their non-EE versions while reducing the computational cost to 20% of the original.

Bu tez, evrişimsel yapay sinir ağlarının (CNN) kestirim sırasında harcadığı hesaplama maliyetini azaltan bir yöntem geliştirmeyi amaçlamaktadır. Geleneksel evrişimsel yapay sinir ağlarında, veriler sabit bir sinir ağı mimarisinden geçer. Aslında, tüm mimariden geçen kolay örnekler işlemenin erken aşamalarında sınıflandırılabilir ve geleneksel ağlar bu durumu dikkate almaz. Bu çalışmada, belirli çıkış noktalarında kestirim sürecini durdurup, hesaplama maliyetini girdiye dayalı olarak uyarlayan `Erken-sonlandırmalı Evrişimsel Yapay Sinir Ağlarını`, kısaca EENetleri tanıtacağız. EENetlerde, her biri güvenirlik ve softmax çıkışlarından oluşan bir çok erken sonlandırma bloğu vardır. Güvenirlik çıkışı, herhangi bir sonlandırma noktasında modelden çıkmanın (yani kestirim sürecini durdurmanın) güven skorunu hesaplar; softmax çıkışı ise sınıflandırmanın olasılık vektörünü üretir. Her iki çıkış dalı da öğrenilebilir ve birbirinden bağımsızdır. EENetlerin eğitimi sırasında, klasik sınıflandırma kaybına ek olarak, sonuç çıkarmanın hesaplama maliyeti de dikkate alınır. Sonuç olarak, önerdiğimiz sinir ağı güvenirlik çıkışlarında girdileri işler ve sonlandırabilir, böylece kolay örnekler için daha az hesaplama yapılır. Kestirim, geleneksel ağlardaki ileri besleme gibi çalışır, ancak bir güvenirlik çıkış dalındaki güven skoru belirli bir eşikten daha büyük olduğunda, kestirim bu örnek için tamamlanır ve hesaplama sonlandırılır. Kapsamlı deneyler sayesinde, EENetlerin test doğruluğuna zarar vermeden hesaplama maliyetini orjinal modelin %2'sine kadar azalttığını gösteriyoruz. EENet fikri, ResNetler gibi mevcut CNN mimarilerine uygulanabilir. MNIST, SVHN ve CIFAR10 veri setlerinde, erken çıkışlı (EE) ResNetler, EE olmayan sürümleriyle benzer bir doğruluk elde ederken hesaplama maliyetini orjinal modelin %20'sine kadar azalttığı görülmüştür.