通过Hashing方法做的网络权值二值化工作。
第一个公式是我们最常用的哈希算法的公式(保留内积哈希方法是沈老师团队在15年ICCV上提出的)，其中S表示相似性，
后面是两个哈希函数之间的内积。
我们在神经网络做权值量化的时候采用第二个公式，
第一项表示输出的feature map，其中X代表输入的feature map，W表示量化前的权值，
第二项表示量化后输出的feature map，其中B相当于量化后的权值，
通过第二个公式就将网络的量化转化成类似第一个公式的Hashing方式。
通过最后一行的定义，就可以用Hashing的方法来求解Binary约束。

本文在二值化权重(BWN)方面做出了创新，发表在AAAI2018上，作者是自动化所程建团队。
本文的主要贡献是提出了一个新的训练BWN的方法，
揭示了哈希与BW(Binary Weights)之间的关联，表明训练BWN的方法在本质上可以当做一个哈希问题。
基于这个方法，本文还提出了一种交替更新的方法来有效的学习hash codes而不是直接学习Weights。
在小数据和大数据集上表现的比之前的方法要好。

为了减轻用哈希方法所带来的loss，
本文将binary codes乘以了一个scaling factor并用交替优化的策略来更新binary codes以及factor.