LIF模型及其变种 Training Spiking Deep Networks for Neuromorphic Hardware

标准LIF和软化LIF

我们要计算原始网络的计算效率
图像中有两个主要的计算来源：计算神经元和计算连接。
每秒浮点计算（floating-point operations per second）
突触的计算需要消耗大部分的能量

这些方法为将传统的人工神经网络翻译为基于尖峰的神经形态硬件提供了新途径。我们提供了一些证据，表明这种实现比ANN的实现更节能。虽然我们的分析只考虑了静态图像分类，但我们期望在处理动态输入（例如视频）时，SNN的实际效率将变得明显。这是因为SNN本质上是动态的，并且需要采取许多模拟步骤来处理每个图像。这使得它们最适合处理动态序列，在动态序列中，视频序列中的相邻帧彼此相似，并且网络在输入突然改变后不必花时间不断地进行“复位”。