snn损失函数--交叉熵（9月30）

snn的损失函数：ce和mse

让我们专注于脉冲率编码。当输入数据传递到网络时， 我们希望正确的神经元类别在仿真运行的过程中发射最多的脉冲。 这对应于最高的平均脉冲频率。实现这一目标的一种方法是增加正确类别的膜电位至 U>Uthr， 并将不正确类别的膜电位设置为 U<Uthr。 将目标应用于 U 作为调节脉冲行为从 S 到 U 的代理。

实际效果是，鼓励正确类别的膜电位增加，而不正确类别的膜电位降低。 这意味着在所有时间步中鼓励正确类别激活，且在所有时间步中抑制不正确类别。 这可能不是脉冲神经网络的最高效实现之一，但它是其中最简单的之一。

这个目标应用于仿真的每个时间步，因此也在每个步骤生成一个损失。 然后在仿真结束时将这些损失相加：

这只是将损失函数应用于脉冲神经网络的众多可能方法之一。 在 snnTorch 中，有多种方法可用（在模块 snn.functional 中）， 他们将成为未来教程的主题。