addernet 1.4.1

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 e GPUs NVIDIA via CUDA 2026, Python 3.x, v1.4.0.

---

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
AdderAttention	Attention mechanism baseado em distância de Hamming — zero multiplicação

---

Novidades v1.4.0 🚀

CUDA 2026 — Modernização Completa

• Kernel 2026 Ampere+: Treinamento cooperativo com shared memory 100KB, warp-level primitives, e unified kernel (encode → Hamming → update em um único launch)
• Kernel Selection Automático: Detecta a GPU e seleciona o kernel otimizado (Ampere sm_80+ → Turing sm_70-75 → Legacy sm_61)
• Unified Memory: Zero-copy GPU memory para datasets pequenos (ativa com ADDERNET_UNIFIED_MEMORY=1)
• CUDA Graphs: Capture once, replay many (ativa com ADDERNET_CUDA_GRAPHS=1)
• Persistent Kernel: Elimina overhead de kernel launch (ativa com ADDERNET_PERSISTENT_KERNEL=1)

AdderAttention — Attention Mechanism sem Multiplicação

• Mecanismo de atenção baseado em distância de Hamming
• Ideal para transformers-like architectures em embedded systems
• Sem operações de ponto flutuante

Recursos Mantidos

• HV_DIM Dinâmico: Dimensionalidade hiperdimensional configurável em runtime (512, 1024, 2048, 4096, etc)
• Aceleração CUDA no Treinamento: AdaptHD/RefineHD paralelo em GPU com atomicAdd
• Aceleração CUDA na Inferência: predict_batch via kernels CUDA dedicados
• Compatibilidade e Fallback: Fallback automático para CPU (AVX2/NEON/SCALAR) quando GPU não disponível

---

Instalação

pip install addernet

Ou do código-fonte (para compilar com otimizações nativas e CUDA opcional):

git clone https://github.com/PedroHenriqueBatistaSilva/AdderNet.git
cd AdderNet
make all         # Compila binários da CPU
make cuda_native # Opcional: Compila o backend de GPU (requer nvcc)
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

---

Uso — AdderNetHDC (Aceleração GPU e HDC Dinâmico)

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

# HV_DIM dinâmico configurável (ex: 2048, 4096)
model = AdderNetHDC(
    n_vars=4, 
    n_classes=3, 
    table_size=256, 
    hv_dim=4096,              # <- Dimensionalidade configurável no runtime!
    use_gpu=True,             # <- Ativa inferência batch em CUDA
    use_gpu_training=True     # <- Ativa treinamento iterativo em CUDA
)

# Arrays numpy precisam ser "C Contiguous" 
X_c = np.ascontiguousarray(X, dtype=np.float64)
y_c = np.ascontiguousarray(y, dtype=np.int32)

# Treino single-pass (OnlineHD)
model.train(X_c, y_c)

# Retreino iterativo (AdaptHD) — massivamente paralelo na GPU
model.train(X_c, y_c, n_iter=20, lr=1.0)

# Inferência massiva e ultrarrápida via GPU
preds = model.predict_batch(X_c)

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

---

Uso — AdderCluster (ensemble multi-nó)

from addernet import AdderCluster
import numpy as np

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 — AdderAttention (Attention sem Multiplicação)

from addernet import AdderAttention
import numpy as np

# Attention mechanism baseado em distância de Hamming
# Ideal para embedded systems sem FPU
attn = AdderAttention(
    n_vars=4,
    n_heads=8,  # Número de heads de atenção
    hv_dim=2048  # Dimensionalidade dos hipervetores
)

# Query, Key, Value (em formato hypervector)
# Treinamento
attn.fit(X_train, y_train)

# Attention scores usando Hamming distance
scores = attn.attention(X_query, X_keys)

# Classificação com attention
prediction = attn.predict(X_test)

Configurações Avançadas do CUDA 2026

import os
os.environ['ADDERNET_UNIFIED_MEMORY'] = '1'   # Zero-copy GPU memory
os.environ['ADDERNET_CUDA_GRAPHS'] = '1'       # Capture/replay
os.environ['ADDERNET_PERSISTENT_KERNEL'] = '1' # Elimina kernel launch overhead

---

Otimizações disponíveis

from addernet import hdc_detect_backend

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

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

---

Limitações

• AdderNetLayer: apenas uma variável de entrada por camada
• AdderNetHDC: acurácia inferior a MLPs profundas em datasets complexos (troca por zero multiplicação)
• hv_dim muito pequeno (< 1000) pode colapsar a acurácia, use a Dimensionalidade Dinâmica para testar!

---

Licença

Apache 2.0 — © Pedro Henrique Batista Silva