addernet 1.0.1

Neural networks with zero multiplications at inference. AdderNet + HDC for embedded systems.

AdderNet

Biblioteca de machine learning que não usa multiplicação na inferência. Zero.

O que é?

AdderNet tem duas camadas:

• AdderNet — funções de uma variável, lookup table, zero multiplicação
• AdderNet-HDC — múltiplas variáveis, Hyperdimensional Computing, generalização por bundle, criatividade com temperatura

Instalação

pip install addernet

Ou do código-fonte:

git clone ...
cd addernet_lib
make
pip install -e .

Uso — Uma variável

from addernet import AdderNetLayer

# Criar a rede
rede = AdderNetLayer(size=256, bias=50, input_min=-50, input_max=200, lr=0.1)

# Dados de treino: Celsius -> Fahrenheit
celsius    = [0, 10, 20, 25, 30, 37, 50, 80, 100]
fahrenheit = [32, 50, 68, 77, 86, 98.6, 122, 176, 212]

# Treinar
rede.train(celsius, fahrenheit)

# Prever
print(rede.predict(37))   # 98.60
print(rede.predict(100))  # 212.00

Salvar e carregar

rede.save("meu_modelo.bin")
rede = AdderNetLayer.load("meu_modelo.bin")
print(rede.predict(37))  # 98.60

Previsão em lote (numpy)

import numpy as np

entradas = np.array([0, 25, 37, 100], dtype=np.float64)
saidas = rede.predict_batch(entradas)
# array([32.0, 77.0, 98.6, 212.0])

Uso — AdderNet-HDC (múltiplas variáveis)

import sys
sys.path.insert(0, 'python')
from addernet_hdc import AdderNetHDC
import numpy as np
from sklearn.datasets import load_iris

# Carregar dados
iris = load_iris()
X, y = iris.data, iris.target

# Criar modelo (4 variáveis, 3 classes)
model = AdderNetHDC(n_vars=4, n_classes=3, table_size=256, seed=42)

# Treinar
model.train(X, y)

# Prever
pred = model.predict(X[0])
print(f"Classe predita: {pred}")

# Batch com múltiplas threads
model.set_threads(4)
preds = model.predict_batch(X)

# Ativar cache para máxima velocidade
model.warm_cache()
preds = model.predict_batch(X)  # ~3x mais rápido

# Salvar e carregar
model.save("iris_model.bin")
model = AdderNetHDC.load("iris_model.bin")

Generalização e criatividade

# Misturar dois conceitos — gera algo novo sem ver dados
roupa_nova = model.bundle_classes([0, 4])  # camiseta + casaco

# Temperatura — variações controladas
for temp in [0.0, 0.1, 0.2, 0.3, 0.5]:
    variacao = model.add_noise(model.codebook[0], temp)
    print(f"temp={temp} → {model.classify_hv(variacao)}")

Otimizações disponíveis

from addernet import AdderNetHDC, hdc_detect_backend
print(hdc_detect_backend())  # 'AVX2', 'NEON', ou 'SCALAR'

model.set_threads(8)      # multithreading
model.warm_cache()        # pré-computar hipervectors
model.set_cache(False)    # desligar cache (hardware com pouca RAM)

Performance

AdderNet (uma variável):
  C lote numpy:           ~247M pred/s

AdderNet-HDC (múltiplas variáveis, Iris):
  Baseline (1 thread):    ~13.779 pred/s
  Cache + 4 threads:      ~31.947 pred/s
  Cache + 8 threads:      ~38.704 pred/s
  mulsd em inferência:    0
  Acurácia Iris:          80.0%
  Memória do modelo:      128KB (D=5000)

Para melhor performance em Python, use predict_batch() com arrays numpy.

Casos de uso

• Sensores industriais com hardware limitado (sem FPU)
• Classificação em tempo real embarcada (ESP32, STM32, RPi)
• Privacidade: dados originais não precisam ser guardados pós-treino
• One-shot learning: aprende classe nova com uma única amostra

Exemplos prontos

cd addernet_lib

# Celsius -> Fahrenheit (uma variável)
python3 examples/basic/celsius_fahrenheit.py

# AdderNet-HDC com Iris
python3 examples/hdc/iris_hdc.py

# Benchmark HDC
python3 examples/hdc/benchmark_hdc.py

# Benchmark otimizações
python3 examples/hdc/benchmark_otimizado.py

Estrutura de arquivos

addernet_lib/
├── src/              ← código C otimizado (AVX2, NEON)
├── python/           ← bindings Python
├── tests/
├── examples/
│   ├── basic/        ← AdderNet básica
│   ├── hdc/          ← AdderNet-HDC
│   └── creativity/
├── build/
└── Makefile          ← detecção automática de plataforma

Limitações

• AdderNet básica: só uma variável de entrada
• AdderNet-HDC: acurácia inferior a MLP em datasets complexos (~80% vs ~98%)
• Contexto sequencial ainda não implementado (LLM embarcado em desenvolvimento)
• D muito pequeno (< 1000) colapsa a acurácia