提供一个三值网络的训练方法。
对AlexNet在ImageNet的表现，相比32全精度的提升0.3%。
与TWN类似，
只用参数三值化(训练得到的浮点数)，
但是正负缩放因子不同，
且可训练，由此提高了准确率。
ImageNet-18模型仅有3%的准确率下降。

对于每一层网络，三个值是32bit浮点的{−Wnl,0,Wpl}，
Wnl、Wpl是可训练的参数。
另外32bit浮点的模型也是训练的对象，但是阈值Δl是不可训练的。 
由公式(6)从32bit浮点的到量化的三值： 

由(7)算出Wnl、Wpl的梯度:

其中:

由(8)算出32bit浮点模型的梯度

由(9)给出阈值，这种方法在CIFAR-10的实验中使用阈值t=0.05。
而在ImageNet的实验中，并不是由通过钦定阈值的方式进行量化的划分，
而是钦定0值的比率r，即稀疏度。 

整个流程: