2201_75372819的博客

Lapicque模型描述了神经元膜电位的动态变化。

Learning rate: 0.0035100/100 [==============================] - 239s 2s/step - loss: 0.5656 - accuracy: 0.9627 - IOU: 0.3201 - dice_coef: 0.4344 - val_loss: 0.9987 - val_accuracy: 0.9609 - val_IOU: 2.9313e-04 - val_dice_coef: 0.0013 - lr: 0.0035Accura

SNN（Spiking Neural Network）也就是脉冲神经网络，也就是通过模拟神经元放电过程进行训练和推理的神经网络。由于近年来深度学习遇到一定的瓶颈，如推理过程需要大量运算资源、模型表现提升遇到天花板等，人们把希望寄托在脉冲神经网络这一新类型模型之上。因此，脉冲神经网络也被称为第三代神经网络。对于一般视觉问题而言，脉冲神经网络首先会对图像进行编码，这里的编码方式包括直接编码泊松编码等方式，将输入的图像/特征图映射为一系类序列值。

这个代码定义了一个自定义的损失函数类，用于处理脉冲神经网络（Spiking Neural Network，SNN）中的脉冲输出和目标之间的损失计算。

SNN图像脉冲化——泊松编码 - 知乎 (zhihu.com)

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。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。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。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。

、要证明相互独立，考虑以下步骤：方法二：

当像素的值为0时，该像素是纯黑色；当像素的值为255时，该像素是纯白色。延迟编码是将像素值大的白色像素，即概率为1的像素点放在最左边，将概率为0的黑色像素点放在最右边。灰色像素，他的像素值为128，即代表这个像素点发出脉冲的概率是0.5。不同的时间间隔可以表示不同的信息。白色像素，他的像素值为255，即代表这个像素点发出脉冲的概率是1。黑色像素，他的像素值为0，即代表这个像素点发出脉冲的概率时0。其他像素点按其概率大小，在一定的时间步长上发送脉冲序列。速率编码就是利用图像中不同像素点的像素值大小进行编码。

可以看到，tensorflow-gpu只支持cuda11.2及以下版本，笔者因开始未注意此项，浪费许久时间。学习本文前，请观看此文。由于我电脑已安装cuda12.6，在安装cuda11.2时，显示安装失败，在这里我们参考了。此界面无win11版本，但win11可以用win10版本的cuda，这里我们按图下载。卸载后即可进行安装，安装时我们全部按照默认选项，系统会自动配置环境变量。找到适合我们cuda版本的cuDNN8.1进行下载。创建新的环境，名字叫test，指定python版本为。，使用pip进行下载。

伽马分布是指数分布的特殊形式。