addernet 1.2.1

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

AdderNet

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

Benchmarks medidos em CPU x86-64 com backend AVX2, Python 3.x, v1.0.8.

---

O que é?

AdderNet substitui multiplicações por lookups em tabela (LUT) e operações de soma inteiras, tornando a inferência viável em microcontroladores sem FPU (ESP32, STM32, RPi).

A biblioteca expõe quatro componentes principais:

Classe	Descrição
AdderNetLayer	Rede de uma variável — LUT + soma, zero multiplicação
AdderNetHDC	Classificador multivariável — Hyperdimensional Computing (HDC)
AdderCluster	Ensemble de AdderNetLayer com estratégias de combinação
AdderBoost	Gradient Boosting com AdderNetLayer — inferência sem multiplicação

---

Novidades v1.0.8

• OnlineHD — treino com bundling ponderado por novidade (anti-saturação)
• AdaptHD — retreino iterativo com correção de erro (n_iter)
• Early-exit Hamming — aborta comparação quando classes estão bem separadas
• AdderCluster — ensemble multi-estratégia (random, range, feature, boosting)
• AdderBoost — gradient boosting 100 % LUT para regressão
• warm_cache() — pré-computa hipervectores para inferência máxima

---

Instalação

pip install addernet

Ou do código-fonte:

git clone https://github.com/PedroHenriqueBatistaSilva/AdderNet.git
cd AdderNet
make
pip install -e .

---

Uso — AdderNetLayer (uma variável)

from addernet import AdderNetLayer

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

celsius    = [0, 10, 20, 25, 30, 37, 50, 80, 100]
fahrenheit = [32, 50, 68, 77, 86, 98.6, 122, 176, 212]

rede.train(celsius, fahrenheit)

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

Previsão em lote (numpy)

import numpy as np

entradas = np.linspace(-50, 200, 1_000_000, dtype=np.float64)
saidas = rede.predict_batch(entradas)   # ~178M pred/s com AVX2

Salvar e carregar

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

---

Uso — AdderNetHDC (múltiplas variáveis)

from addernet import AdderNetHDC
import numpy as np
from sklearn.datasets import load_iris
from sklearn.preprocessing import MinMaxScaler

iris = load_iris()
X = MinMaxScaler(feature_range=(0, 150)).fit_transform(iris.data)
y = iris.target

model = AdderNetHDC(n_vars=4, n_classes=3, table_size=256, seed=42)

# Treino single-pass (OnlineHD)
model.train(X, y)

# Retreino iterativo (AdaptHD) — melhora acurácia
model.train(X, y, n_iter=20, lr=1.0)

# Inferência em lote com cache
model.warm_cache()
preds = model.predict_batch(X)

print(f"Acurácia: {model.accuracy(X, y)*100:.1f}%")

model.save("iris.bin")
model = AdderNetHDC.load("iris.bin")

Parâmetros de treino

Parâmetro	Efeito
n_iter=0	Só OnlineHD (single-pass, mais rápido)
n_iter=20, lr=1.0	Bom padrão para maioria dos datasets
n_iter=50, lr=0.5	Conservador, para datasets pequenos

Generalização e criatividade

# Misturar dois conceitos — gera novo hipervector sem ver dados novos
novo_hv = model.bundle_classes([0, 1])
classe  = model.classify_hv(novo_hv)

# Variações controladas por temperatura
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} → classe {model.classify_hv(variacao)}")

---

Uso — AdderCluster (ensemble multi-nó)

from addernet import AdderCluster
import numpy as np
from sklearn.datasets import load_iris
from sklearn.preprocessing import MinMaxScaler

iris = load_iris()
X = MinMaxScaler(feature_range=(0, 150)).fit_transform(iris.data)
y = iris.target

cluster = AdderCluster(
    n_nodes=4,
    strategy='feature',    # 'random' | 'range' | 'feature' | 'boosting'
    combination='vote',    # 'vote' | 'mean' | 'stack'
    input_min=0,
    input_max=150,
)

cluster.fit(X, y)
preds = cluster.predict_batch(X)

cluster.info()

---

Uso — AdderBoost (gradient boosting sem multiplicação)

from addernet import AdderBoost
import numpy as np

# Regressão: prever distância de frenagem dado velocidade
X = np.array([[v] for v in range(10, 110, 10)], dtype=np.float64)
y = (X[:, 0] ** 2 / 20).astype(np.float64)   # física simplificada

boost = AdderBoost(
    n_estimators=20,
    learning_rate=0.1,
    size=256, bias=50, input_min=0, input_max=110, lr=0.05
)
boost.fit(X, y, verbose=False)

preds = boost.predict_batch(X)
print(preds)

---

Otimizações disponíveis

from addernet import hdc_detect_backend

print(hdc_detect_backend())   # 'AVX2', 'NEON', ou 'SCALAR'

model.set_threads(4)      # multithreading (AdderNetHDC)
model.warm_cache()        # pré-computar hipervectors
model.set_cache(False)    # desligar cache (hardware com pouca RAM)

---

Benchmarks (v1.0.8 · AVX2 · x86-64)

Medidos com time.perf_counter() em ambiente Linux, Python 3.x. Splits treino/teste via train_test_split(test_size=0.3, random_state=42).

Benchmark 1 — AdderNetLayer: Celsius → Fahrenheit

Métrica	Valor
Amostras	1 000 000
Tempo total	5.63 ms
Throughput	~178M pred/s
MAE	0.0000 °F
Multiplicações em inferência	0

Benchmark 2 — AdderNetHDC: Iris (4 vars, 3 classes)

Métrica	Valor
Treino (n_iter=20)	22 ms
Inferência (45 amostras)	0.65 ms
Throughput	~69 000 pred/s
Acurácia (test set)	86.7%
Multiplicações em inferência	0

Benchmark 3 — AdderNetHDC: Wine (13 vars, 3 classes)

Métrica	Valor
Treino (n_iter=20)	33 ms
Inferência (54 amostras, cache quente)	1.68 ms
Throughput	~32 000 pred/s
Acurácia (test set)	68.5%
Multiplicações em inferência	0

Benchmark 4 — AdderNetHDC: Breast Cancer (30 vars, 2 classes)

Métrica	Valor
Treino (n_iter=20)	303 ms
Inferência (171 amostras, cache quente)	9.40 ms
Throughput	~18 000 pred/s
Acurácia (test set)	85.4%
Multiplicações em inferência	0

Benchmark 5 — AdderNetLayer: Save / Load latency

Operação	Latência
save()	0.37 ms
load()	0.10 ms
Predict pós-reload	correto (98.60 °F)

---

Casos de uso

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

---

Exemplos prontos

# 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

---

Estrutura de arquivos

AdderNet/
├── src/              ← código C otimizado (AVX2, NEON, SCALAR)
├── python/           ← bindings Python (ctypes)
├── addernet/         ← pacote instalável
│   ├── addernet.py   ← AdderNetLayer
│   ├── addernet_hdc.py ← AdderNetHDC / AnHdcModel
│   ├── cluster.py    ← AdderCluster
│   └── boost.py      ← AdderBoost
├── tests/
├── examples/
│   ├── basic/        ← AdderNet básica
│   └── hdc/          ← AdderNet-HDC
├── Makefile          ← detecção automática de plataforma
└── pyproject.toml

---

Limitações

• AdderNetLayer: apenas uma variável de entrada por camada
• AdderNetHDC: acurácia inferior a MLPs profundas em datasets complexos (troca por zero multiplicação)
• D muito pequeno (< 1000) pode colapsar a acurácia
• Contexto sequencial (LLM embarcado) ainda em desenvolvimento

---

Licença

Apache 2.0 — © Pedro Henrique Batista Silva