Spiking-Neural-Network用于分类问题

本文介绍了使用Python实现硬件友好的SNN网络,采用Winner-takes-all架构,利用STDP算法进行训练。主要内容包括SNN的网络组成、元素定义、分类步骤、STDP工作原理及训练注意事项。通过3类图像数据集的训练展示SNN学习过程,探讨了图片输入、神经元模型以及权重更新的替代方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


这一部分主要说此代码将要用python实现硬件友好的SNN网络。此网络的训练将用到STDP算法。
网络涉及到的元素包括:

在这里插入图片描述
SNN的架构有很多,本文采用Winner-takes-all SNN架构:从前(输入层)到后(输出层)传递,假设神经元互相之间不影响对方。

网络组成:神经元、突触、感受野、spike train

神经元Neuron——产生spike train
突触Synapse——权重时延通道:通过这一步搭建起了SNN有学习过的权重的框架——spike train转换为PSP再转换为spike train
感受野Receptive field:神经元在感受野中产生响应——模拟值。假如输入是一张图片,那么加了感受野的部分就可以增强或减弱其膜电位。
spike train——做为SNN网络输入和输出的时间序列信号。将在感受野的滑动窗口产生的模拟值转化为时间序列信号。本文采用的编码方法是 rate coding。
spike train&膜电位&PSP的区别:

  • 膜电位
  • <
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值