前言
FPGA异构计算是一个趋势,在AI推理、深度学习中广泛使用FPGA进行加速,减小系统延迟。而AI推理中有一个组件被广泛使用,各种网络模型中都有其身影,那就是激活函数。
激活函数中又分很多种,其中softmax是使用最多的一种,但由于其是非线性函数,而FPGA不擅长处理非线性函数,所以如何用更少的资源达到类似的效果,进行激活函数的优化就至关重要。
本文即有标准的基于FPGA的softmax函数实现过程,也有基于FPGA的softmax函数优化实现过程,且给出了两者的资源消耗情况对比。
优化方案
用2代替自然对数e
Softmax函数的定义(以第i个节点输出为例):
其中Zi为第i个节点的输出值,C为输出节点的个数,即分类的类别个数。通过Softmax函数就可以将多分类的输出值转换为范围在[0, 1]和为1的概率分布。
测试数据产生及Matlab结果
在0~127之间随机产生2组数据,每组数据10个,作为softmax的输入,其Matlab结果如下表所示