CN113705776A - 一种基于asic实现激活函数的方法、系统、设备和存储介质 - Google Patents

一种基于asic实现激活函数的方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN113705776A
CN113705776A CN202110903047.9A CN202110903047A CN113705776A CN 113705776 A CN113705776 A CN 113705776A CN 202110903047 A CN202110903047 A CN 202110903047A CN 113705776 A CN113705776 A CN 113705776A
Authority
CN
China
Prior art keywords
fitting
activation function
curve
gradient
curves
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110903047.9A
Other languages
English (en)
Other versions
CN113705776B (zh
Inventor
吴睿振
陈静静
黄萍
王凛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Senxinwei Computer Technology Co ltd
Original Assignee
Shandong Yunhai Guochuang Cloud Computing Equipment Industry Innovation Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Yunhai Guochuang Cloud Computing Equipment Industry Innovation Center Co Ltd filed Critical Shandong Yunhai Guochuang Cloud Computing Equipment Industry Innovation Center Co Ltd
Priority to CN202110903047.9A priority Critical patent/CN113705776B/zh
Publication of CN113705776A publication Critical patent/CN113705776A/zh
Application granted granted Critical
Publication of CN113705776B publication Critical patent/CN113705776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Power Sources (AREA)

Abstract

本发明提供了一种基于ASIC实现激活函数的方法、系统、设备和存储介质，方法包括：确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。本发明通过最小二乘法等简单的拟合方法将非线性的激活函数进行线性拟合，并利用电路连接结构对激活函数进行操作，相比于在CPU下进行激活函数的操作，具有高速低功耗的优势。

Description

一种基于ASIC实现激活函数的方法、系统、设备和存储介质
技术领域
本领域涉及神经网络领域，更具体地，特别是指一种基于ASIC实现激活函数的方法、系统、设备和存储介质。
背景技术
激活函数(Activation Function)是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。在人工神经网络中，一个节点的激活函数定义了该节点在给定的输入或输入集合下的输出。标准的计算机芯片电路可以看作是根据输入得到开(1)或关(0)输出的数字电路激活函数。因此，激活函数是确定神经网络输出的数学方程式。
在人工智能计算中，数据的分布绝大多数是非线性的，而一般神经网络的计算是线性的，引入激活函数，是在神经网络中引入非线性，强化网络的学习能力。所以激活函数的最大特点就是非线性。虽然ANN(Artificial Neural Network，人工神经网络)中最大量的运算来源于MAC(Multiplier Accumulation unit，乘数累计单元)阵列的乘加运算，但是对最终运算结果准确影响最大的是激活函数的应用。不同的激活函数应用于不同AI(artificial intelligence，人工智能)模型，适用于不同的运算任务。
各种激活函数具有自己明显的优缺点，因此针对不同的网络模型，不同的工作环境需求，需要设定不同的激活函数，以实现激活函数的最佳性价比。除了Relu函数以外，其他所有激活函数都需要引入三角函数，自然数幂等复杂运算。在追求运算速度的今天，大部分的AI运算已经开始利用ASIC(Application Specific Integrated Circuit，专用集成电路)设计实现，以得到最佳的运算性能和速率关系。但是这些涉及到三角函数或自然数幂的运算，都只能在CPU中实现，而无法通过ASIC实现，因此在速度上具有较大的劣势。
ASIC只能实现基础的加减乘除等运算，因此对于复杂的tanh和sigmoid等激活函数，现有的产品解决方案，都是将其放入CPU中进行运算。但是CPU除了完成复杂激活函数的运算之外，还需要提供计算机的指令控制、运行等操作，因此使用CPU去进行激活函数的运算，不仅会影响芯片的运算速度，也会造成额外的功耗，对计算机整体性能造成影响。
发明内容
有鉴于此，本发明实施例的目的在于提出一种基于ASIC实现激活函数的方法、系统、计算机设备及计算机可读存储介质，本发明通过最小二乘法等简单的拟合方法对非线性的激活函数进行拟合，并根据最接近的拟合函数构建ASIC，实现通过ASIC计算非线性的激活函数的目的，相比于在CPU下进行激活函数的操作，具有高速低功耗的优势。
基于上述目的，本发明实施例的一方面提供了一种基于ASIC实现激活函数的方法，包括如下步骤：确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：计算每条拟合曲线和所述激活函数的差的绝对值之和，将所有拟合曲线按照所述和进行降序排序；以及依次判断拟合曲线是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线作为最适合的拟合曲线。
在一些实施方式中，所述判断拟合曲线是否满足梯度要求包括：判断所述拟合曲线的梯度是否从所述对称点向两侧降低。
在一些实施方式中，所述根据所述拟合电路计算所述激活函数包括：根据所述最适合的拟合曲线的次方数通过指数运算得到不同的次方输出，并将所述不同的次方输出配合对应的系数进行乘加运算得到最终输出。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：对所述激活函数进行分段得到多个片段，并根据误差和梯度确定每个片段对应的最适合的拟合曲线，并将所有片段对应的最适合的拟合曲线进行整合。
在一些实施方式中，所述根据误差和梯度确定每个片段对应的最适合的拟合曲线包括：计算每条拟合曲线对应于当前片段的部分和所述激活函数当前片段的差的绝对值之和，将所有拟合曲线对应于当前片段的部分按照所述和进行降序排序；以及依次判断拟合曲线对应于当前片段的部分是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线对应于当前片段的部分作为所述当前片段最适合的拟合曲线。
在一些实施方式中，所述判断拟合曲线对应于当前片段的部分是否满足梯度要求包括：判断所述拟合曲线对应于当前片段的部分的梯度是否从所述当前片段的对称点向两侧降低。
本发明实施例的另一方面，提供了一种基于ASIC实现激活函数的系统，包括：拟合模块，配置用于确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；选择模块，配置用于基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及执行模块，配置用于根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：通过最小二乘法等简单的拟合方法对非线性的激活函数进行拟合，并根据最接近的拟合函数构建ASIC，实现通过ASIC计算非线性的激活函数的目的，相比于在CPU下进行激活函数的操作，具有高速低功耗的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明提供的基于ASIC实现激活函数的方法的实施例的示意图；
图2a为Relu函数的示意图；
图2b为Relu函数的导数示意图；
图3a为Sigmoid函数的示意图；
图3b为Sigmoid函数的导数示意图；
图4a为Tanh函数的示意图；
图4b为Tanh函数的导数示意图；
图5为Tanh函数的梯度示意图；
图6为本发明提供的专用集成电路示意图；
图7为本发明提供的基于ASIC实现激活函数的系统的实施例的示意图；
图8为本发明提供的基于ASIC实现激活函数的计算机设备的实施例的硬件结构示意图；
图9为本发明提供的基于ASIC实现激活函数的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例的第一个方面，提出了一种基于ASIC实现激活函数的方法的实施例。图1示出的是本发明提供的基于ASIC实现激活函数的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；
S2、基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及
S3、根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
首先对常见的几种激活函数进行介绍：
(1)Relu
Relu(RectifiedLinearUnit)——修正线性单元函数：该函数形式比较简单。其公式表示为：relu＝max(0,x)。
图2a为Relu函数的示意图；图2b为Relu函数的导数示意图。从图2a和图2b可知，ReLU的有效导数是常数1，解决了深层网络中出现的梯度消失问题，也就使得深层网络可训练。同时ReLU又是非线性函数，所谓非线性，就是一阶导数不为常数；对ReLU求导，在输入值分别为正和为负的情况下，导数是不同的，即ReLU的导数不是常数，所以ReLU是非线性的(只是不同于Sigmoid和tanh，relu的非线性不是光滑的)。
ReLU在x>0下，导数为常数1的特点：导数为常数1的好处就是在“链式反应”中不会出现梯度消失，但梯度下降的强度就完全取决于权值的乘积，这样就可能会出现梯度爆炸问题。
ReLU在x<0下，输出置为0的特点：描述该特征前，需要明确深度学习的目标：深度学习是根据大批量样本数据，从错综复杂的数据关系中，找到关键信息(关键特征)。换句话说，就是把密集矩阵转化为稀疏矩阵，保留数据的关键信息，去除噪音，这样的模型就有了鲁棒性。ReLU将x<0的输出置为0，就是一个去噪音，稀疏矩阵的过程。而且在训练过程中，这种稀疏性是动态调节的，网络会自动调整稀疏比例，保证矩阵有最优的有效特征。但是ReLU强制将x<0部分的输出置为0(置为0就是屏蔽该特征)，可能会导致模型无法学习到有效特征，所以如果学习率设置的太大，就可能会导致网络的大部分神经元失效，所以使用ReLU的网络，学习率不能设置太大。
ReLU作为激活函数的特点：1.Relu运算最简单，提高了运算速度；2.解决了梯度消失问题，但要防范ReLU的梯度爆炸3.容易得到更好的模型，但也要防止训练中出现模型失效情况。因此Relu常在CNN分类运算中使用。
(2)Sigmoid
Sigmoid函数也称为Logistic函数，因为Sigmoid函数可以从逻辑回归(LR)中推理得到，也是LR模型指定的激活函数。Sigmoid函数的取值范围在(0，1)之间，可以将网络的输出映射在这一范围，方便分析。
公式表示为：
Figure BDA0003200476360000061
导数的公式表示为：
Figure BDA0003200476360000062
图3a为Sigmoid函数的示意图；图3b为Sigmoid函数的导数示意图。相比Relu，sigmoid函数具有平滑和易于求导的优点，并且解决了函数及其导数连续性的问题。但相应的，sigmoid也具有以下缺点：1.运算量大；2.反向传播求误差梯度时，导数运算涉及除法；3.两端的导数无限趋近于0而可能在深层次的运算中发生梯度消失；4.函数不基于0对称，容易在运算加深时改变数据的分布特征。
(3)Tanh
Tanh为双曲正切函数，其英文读作HyperbolicTangent。Tanh和sigmoid相似，都属于饱和激活函数，区别在于输出值范围由(0，1)变为了(-1，1)，可以把tanh函数看做是sigmoid向下平移和拉伸后的结果。
公式表示为：
Figure BDA0003200476360000071
导数的公式表示为：
Figure BDA0003200476360000072
图4a为Tanh函数的示意图；图4b为Tanh函数的导数示意图。相比sigmoid函数，tanh函数解决了0对称的问题，且其导数曲线更加陡峭，表示其具有更好的收敛速度。但是tanh函数依然没有：1.运算量大；2.反向传播求误差梯度时，导数运算涉及除法；3.两端的导数无限趋近于0而可能在深层次的运算中发生梯度消失。
根据上述介绍可知，一个好的激活函数需要具有连续性，梯度下降性等特点，而为了达成连续性和梯度下降性，则需要引入三角函数、自然数幂等运算，即如上述的tanh和sigmoid等激活函数。相比之下，Relu虽然同样可以使用，但是其的优势主要在于运算简单，而无法提供很好的准确性。本发明实施例提出了一种利用ASIC实现基于三角函数、自然数幂等复杂运算方法的激活函数的方案。该方案可以在引入一定误差的代价下，模拟任意非线性激活函数，使其在ASIC中实现，代替传统的CPU实现方案，具有高速低功耗的优势。
确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线。使用泰勒展开、最小二乘法等线性拟合公式选择激活函数的对称点进行拟合运算。
基于上面的介绍可知，tanh具有三角函数的特性，又可以通过自然数幂的方式进行表示，因此选用tanh进行举例具有通用性。此外，拟合方法以最小二乘法为例，不同的拟合方法其核心原理相同，都是通过对于x的指数运算实现近似曲线。对于tanh，其对称点明显是0，因此我们基于对称点0，进行1-5次方的拟合，可以得到结果如下：
Figure BDA0003200476360000081
如上公式可知，其中y1,y3,y5具有不同的拟合公式。将tanh和y1,y3,y5作图可以看出一维的线性拟合效果最差，而随着指数的增加，其曲线拟合度越高。
基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：计算每条拟合曲线和所述激活函数的差的绝对值之和，将所有拟合曲线按照所述和进行降序排序；以及依次判断拟合曲线是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线作为最适合的拟合曲线。
这里的误差指的是所拟合出来的曲线和被拟合激活函数的绝对值差，以上述y5作为拟合曲线为例，其计算方式为：
e＝∑(|y5-tanh|)
计算范围即为ANN运算结果输入到激活函数中的数据范围。
在一些实施方式中，所述判断拟合曲线是否满足梯度要求包括：判断所述拟合曲线的梯度是否从所述对称点向两侧降低。
还需要通过梯度来判定选择的曲线，同样对于y5举例，其梯度表示为：
y5'＝0.0375*x4-0.3744*x2+0.8679。
梯度变化如图5所示，梯度从0点(对称点)向两侧降低，说明此时所拟合的激活函数符合梯度下降的要求，因此可以作为拟合方案使用。
根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
在一些实施方式中，所述根据所述拟合电路计算所述激活函数包括：根据所述最适合的拟合曲线的次方数通过指数运算得到不同的次方输出，并将所述不同的次方输出配合对应的系数进行乘加运算得到最终输出。
在确定了tanh的拟合电路方案为y5＝0.0075x5-0.1248x3+0.8679x后，可知此时的三角函数或自然数幂的激活函数运算已经完全为乘加运算所代替，因此，以tanh为例，当y5是确定的可用拟合方案后，其电路实现方案如图6所示，如图6可知，拟合后的激活函数在电路组合方面可以分为指数运算和乘加运算两部分，按照拟合后的次方数，通过指数运算部分得到不同的次方输出，然后选择相应的次方输出，通过乘加运算，给以对应的系数，将结果相加，即可得到最终输出，其输出即是拟合结果。
通过上述实现方法，任意激活函数都可以通过基于x的次方进行拟合，所得到符合需求的结果，可以通过简单的电路连接实现，而无需再进入CPU进行运算，相比之下具有高速低功耗的优势。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：对所述激活函数进行分段得到多个片段，并根据误差和梯度确定每个片段对应的最适合的拟合曲线，并将所有片段对应的最适合的拟合曲线进行整合。对于某些激活函数，可能在A部分是拟合曲线a拟合较好，在B部分是拟合曲线b拟合较好，因此，可以将激活函数进行分段，给每个片段选择一个最合适的拟合曲线，这样可以进一步减小误差。
在一些实施方式中，所述根据误差和梯度确定每个片段对应的最适合的拟合曲线包括：计算每条拟合曲线对应于当前片段的部分和所述激活函数当前片段的差的绝对值之和，将所有拟合曲线对应于当前片段的部分按照所述和进行降序排序；以及依次判断拟合曲线对应于当前片段的部分是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线对应于当前片段的部分作为所述当前片段最适合的拟合曲线。
在一些实施方式中，所述判断拟合曲线对应于当前片段的部分是否满足梯度要求包括：判断所述拟合曲线对应于当前片段的部分的梯度是否从所述当前片段的对称点向两侧降低。在某些实施例中，也可以是从整个激活函数的对称点所在的片段的梯度值向两端片段逐渐递减。
需要特别指出的是，上述基于ASIC实现激活函数的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于基于ASIC实现激活函数的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种基于ASIC实现激活函数的系统。如图7所示，系统200包括如下模块：拟合模块，配置用于确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；选择模块，配置用于基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及执行模块，配置用于根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
在一些实施方式中，所述选择模块配置用于：计算每条拟合曲线和所述激活函数的差的绝对值之和，将所有拟合曲线按照所述和进行降序排序；以及依次判断拟合曲线是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线作为最适合的拟合曲线。
在一些实施方式中，所述选择模块配置用于：判断所述拟合曲线的梯度是否从所述对称点向两侧降低。
在一些实施方式中，所述执行模块配置用于：根据所述最适合的拟合曲线的次方数通过指数运算得到不同的次方输出，并将所述不同的次方输出配合对应的系数进行乘加运算得到最终输出。
在一些实施方式中，所述选择模块配置用于：对所述激活函数进行分段得到多个片段，并根据误差和梯度确定每个片段对应的最适合的拟合曲线，并将所有片段对应的最适合的拟合曲线进行整合。
在一些实施方式中，所述选择模块配置用于：计算每条拟合曲线对应于当前片段的部分和所述激活函数当前片段的差的绝对值之和，将所有拟合曲线对应于当前片段的部分按照所述和进行降序排序；以及依次判断拟合曲线对应于当前片段的部分是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线对应于当前片段的部分作为所述当前片段最适合的拟合曲线。
在一些实施方式中，所述选择模块配置用于：判断所述拟合曲线对应于当前片段的部分的梯度是否从所述当前片段的对称点向两侧降低。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；S2、基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及S3、根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：计算每条拟合曲线和所述激活函数的差的绝对值之和，将所有拟合曲线按照所述和进行降序排序；以及依次判断拟合曲线是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线作为最适合的拟合曲线。
在一些实施方式中，所述判断拟合曲线是否满足梯度要求包括：判断所述拟合曲线的梯度是否从所述对称点向两侧降低。
在一些实施方式中，所述根据所述拟合电路计算所述激活函数包括：根据所述最适合的拟合曲线的次方数通过指数运算得到不同的次方输出，并将所述不同的次方输出配合对应的系数进行乘加运算得到最终输出。
在一些实施方式中，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：对所述激活函数进行分段得到多个片段，并根据误差和梯度确定每个片段对应的最适合的拟合曲线，并将所有片段对应的最适合的拟合曲线进行整合。
在一些实施方式中，所述根据误差和梯度确定每个片段对应的最适合的拟合曲线包括：计算每条拟合曲线对应于当前片段的部分和所述激活函数当前片段的差的绝对值之和，将所有拟合曲线对应于当前片段的部分按照所述和进行降序排序；以及依次判断拟合曲线对应于当前片段的部分是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线对应于当前片段的部分作为所述当前片段最适合的拟合曲线。
在一些实施方式中，所述判断拟合曲线对应于当前片段的部分是否满足梯度要求包括：判断所述拟合曲线对应于当前片段的部分的梯度是否从所述当前片段的对称点向两侧降低。
如图8所示，为本发明提供的上述基于ASIC实现激活函数的计算机设备的一个实施例的硬件结构示意图。
以如图8所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。
处理器301和存储器302可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于ASIC实现激活函数的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于ASIC实现激活函数的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于ASIC实现激活函数的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个基于ASIC实现激活函数的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的基于ASIC实现激活函数的方法。
执行上述基于ASIC实现激活函数的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上基于ASIC实现激活函数的方法的计算机程序。
如图9所示，为本发明提供的上述基于ASIC实现激活函数的计算机存储介质的一个实施例的示意图。以如图9所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，基于ASIC实现激活函数的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种基于ASIC实现激活函数的方法，其特征在于，包括如下步骤：
确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；
基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及
根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
2.根据权利要求1所述的方法，其特征在于，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：
计算每条拟合曲线和所述激活函数的差的绝对值之和，将所有拟合曲线按照所述和进行降序排序；以及
依次判断拟合曲线是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线作为最适合的拟合曲线。
3.根据权利要求2所述的方法，其特征在于，所述判断拟合曲线是否满足梯度要求包括：
判断所述拟合曲线的梯度是否从所述对称点向两侧降低。
4.根据权利要求1所述的方法，其特征在于，所述根据所述拟合电路计算所述激活函数包括：
根据所述最适合的拟合曲线的次方数通过指数运算得到不同的次方输出，并将所述不同的次方输出配合对应的系数进行乘加运算得到最终输出。
5.根据权利要求1所述的方法，其特征在于，所述基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线包括：
对所述激活函数进行分段得到多个片段，并根据误差和梯度确定每个片段对应的最适合的拟合曲线，并将所有片段对应的最适合的拟合曲线进行整合。
6.根据权利要求5所述的方法，其特征在于，所述根据误差和梯度确定每个片段对应的最适合的拟合曲线包括：
计算每条拟合曲线对应于当前片段的部分和所述激活函数当前片段的差的绝对值之和，将所有拟合曲线对应于当前片段的部分按照所述和进行降序排序；以及
依次判断拟合曲线对应于当前片段的部分是否满足梯度要求，并将第一个满足所述梯度要求的拟合曲线对应于当前片段的部分作为所述当前片段最适合的拟合曲线。
7.根据权利要求6所述的方法，其特征在于，所述判断拟合曲线对应于当前片段的部分是否满足梯度要求包括：
判断所述拟合曲线对应于当前片段的部分的梯度是否从所述当前片段的对称点向两侧降低。
8.一种基于ASIC实现激活函数的系统，其特征在于，包括：
拟合模块，配置用于确定激活函数的对称点，并根据所述激活函数的对称点进行线性拟合运算以得到多条拟合曲线；
选择模块，配置用于基于误差和梯度从所述多条拟合曲线中选择最适合的拟合曲线；以及
执行模块，配置用于根据所述最适合的拟合曲线构建拟合电路，并根据所述拟合电路计算所述激活函数。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
CN202110903047.9A 2021-08-06 2021-08-06 一种基于asic实现激活函数的方法、系统、设备和存储介质 Active CN113705776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110903047.9A CN113705776B (zh) 2021-08-06 2021-08-06 一种基于asic实现激活函数的方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110903047.9A CN113705776B (zh) 2021-08-06 2021-08-06 一种基于asic实现激活函数的方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113705776A true CN113705776A (zh) 2021-11-26
CN113705776B CN113705776B (zh) 2023-08-08

Family

ID=78651864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110903047.9A Active CN113705776B (zh) 2021-08-06 2021-08-06 一种基于asic实现激活函数的方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113705776B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180373977A1 (en) * 2015-12-21 2018-12-27 Commissariat a l'énergie atomique et aux énergies alternatives Optimized neuron circuit, and architecture and method for executing neural networks
US20190114531A1 (en) * 2017-10-13 2019-04-18 Cambia Health Solutions, Inc. Differential equations network
US20190147323A1 (en) * 2017-11-03 2019-05-16 Imagination Technologies Limited Activation Functions for Deep Neural Networks
WO2019232965A1 (zh) * 2018-06-07 2019-12-12 清华大学 一种模拟神经网络处理器的误差校准方法及装置
CN110837885A (zh) * 2019-10-11 2020-02-25 西安电子科技大学 一种基于概率分布的Sigmoid函数拟合方法
CN111507465A (zh) * 2020-06-16 2020-08-07 电子科技大学 一种可配置的卷积神经网络处理器电路
CN111625457A (zh) * 2020-05-27 2020-09-04 多伦科技股份有限公司 基于改进的dqn算法的虚拟自动驾驶测试优化方法
CN111667063A (zh) * 2020-06-30 2020-09-15 腾讯科技（深圳）有限公司 基于fpga的数据处理方法及装置
US20210064341A1 (en) * 2019-08-30 2021-03-04 Neuchips Corporation Curve function device and operation method thereof
CN112465106A (zh) * 2020-10-18 2021-03-09 苏州浪潮智能科技有限公司 一种提高深度学习模型精度的方法、系统、设备及介质
CN112734023A (zh) * 2021-02-02 2021-04-30 中国科学院半导体研究所 应用于循环神经网络的激活函数的可重构电路

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180373977A1 (en) * 2015-12-21 2018-12-27 Commissariat a l'énergie atomique et aux énergies alternatives Optimized neuron circuit, and architecture and method for executing neural networks
US20190114531A1 (en) * 2017-10-13 2019-04-18 Cambia Health Solutions, Inc. Differential equations network
US20190147323A1 (en) * 2017-11-03 2019-05-16 Imagination Technologies Limited Activation Functions for Deep Neural Networks
CN110009092A (zh) * 2017-11-03 2019-07-12 畅想科技有限公司 用于深度神经网络的激活函数
WO2019232965A1 (zh) * 2018-06-07 2019-12-12 清华大学 一种模拟神经网络处理器的误差校准方法及装置
US20210064341A1 (en) * 2019-08-30 2021-03-04 Neuchips Corporation Curve function device and operation method thereof
CN110837885A (zh) * 2019-10-11 2020-02-25 西安电子科技大学 一种基于概率分布的Sigmoid函数拟合方法
CN111625457A (zh) * 2020-05-27 2020-09-04 多伦科技股份有限公司 基于改进的dqn算法的虚拟自动驾驶测试优化方法
CN111507465A (zh) * 2020-06-16 2020-08-07 电子科技大学 一种可配置的卷积神经网络处理器电路
CN111667063A (zh) * 2020-06-30 2020-09-15 腾讯科技（深圳）有限公司 基于fpga的数据处理方法及装置
CN112465106A (zh) * 2020-10-18 2021-03-09 苏州浪潮智能科技有限公司 一种提高深度学习模型精度的方法、系统、设备及介质
CN112734023A (zh) * 2021-02-02 2021-04-30 中国科学院半导体研究所 应用于循环神经网络的激活函数的可重构电路

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郜天柱;: "激活函数LeafSpring的构建及多数据集对比研究", 信息与控制, no. 03 *

Also Published As

Publication number Publication date
CN113705776B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN111414987B (zh) 神经网络的训练方法、训练装置和电子设备
TWI701612B (zh) 用於神經網路中激勵函數的電路系統及其處理方法
CN113273082A (zh) 具有异常块浮点的神经网络激活压缩
CN113348474A (zh) 具有非均匀尾数的神经网络激活压缩
US20230196202A1 (en) System and method for automatic building of learning machines using learning machines
KR102655950B1 (ko) 뉴럴 네트워크의 고속 처리 방법 및 그 방법을 이용한 장치
CN111401550A (zh) 神经网络模型量化方法、装置及电子设备
CN109214502B (zh) 神经网络权重离散化方法和系统
CN108363559B (zh) 神经网络的乘法处理方法、设备和计算机可读介质
CN115577790B (zh) 哈密顿量模拟方法、装置、设备及存储介质
CN113592078A (zh) 一种基于人工智能的深度学习网络训练方法
CN112561050B (zh) 一种神经网络模型训练方法及装置
KR20240032039A (ko) 이중 지수 바운딩 박스 부동 소수점 프로세서
CN110337636A (zh) 数据转换方法和装置
CN110503182A (zh) 深度神经网络中的网络层运算方法及装置
Huai et al. Latency-constrained DNN architecture learning for edge systems using zerorized batch normalization
US20200242445A1 (en) Generic quantization of artificial neural networks
CN113822386B (zh) 一种图像识别方法、装置、设备及介质
CN113705776A (zh) 一种基于asic实现激活函数的方法、系统、设备和存储介质
US11068784B2 (en) Generic quantization of artificial neural networks
CN115759209B (zh) 神经网络模型的量化方法、装置、电子设备及介质
Yang Proximal Gradient Method with Extrapolation and Line Search for a Class of Non-convex and Non-smooth Problems
CN116484959A (zh) 量子电路处理方法、装置、设备以及存储介质
CN111431540B (zh) 一种基于神经网络模型的fpga配置文件算术压缩与解压方法
CN115409159A (zh) 对象操作方法、装置、计算机设备以及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240705

Address after: 2324, Building 1, Aosheng Building, No. 1166 Xinluo Street, High tech Zone, Jinan City, Shandong Province, 250000

Patentee after: Inspur Computer Technology Co.,Ltd.

Country or region after: China

Address before: 250000 floor 35, S01 building, Inspur Science Park, 1036 Inspur Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan, Shandong Province

Patentee before: Shandong Yunhai guochuang cloud computing equipment industry innovation center Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right

Effective date of registration: 20240923

Address after: Room 702, 7th Floor, Building 1, No. 15 Lingxiao Road, Haidian District, Beijing 100080

Patentee after: Beijing Senxinwei Computer Technology Co.,Ltd.

Country or region after: China

Address before: 2324, Building 1, Aosheng Building, No. 1166 Xinluo Street, High tech Zone, Jinan City, Shandong Province, 250000

Patentee before: Inspur Computer Technology Co.,Ltd.

Country or region before: China