SpykeTorch: Efficient Simulation of Convolutional Spiking Neural Networks With at Most One Spike per

引言

下面我们介绍一下Spyketorch，这个是基于pytorch的框架的。在相同的学习规则下，可以使用STDP和R-STDP，其他的法则也能够应用。该框架中的计算是基于张量的，完全由PyTorch函数完成，这反过来带来了在cpu、gpu或多gpu平台上运行的实时优化能力。

1介绍

多年来，科学家一直试图将类人视觉引入机器和人工智能(AI)中。近年来，基于深度卷积神经网络(DCNNs)的先进技术(Rawat and Wang, 2017;Gu等人，2018)，人工视觉从未更接近人类视觉。尽管dcnn在许多人工智能领域都取得了杰出的成果，但它们面临着数据和能量消耗的问题。当涉及到硬件实现来解决现实问题时，能源消耗是至关重要的。

我们的大脑消耗的能量比dcnn少得多，大约20瓦(Mink等人，1981年)——大致相当于一台普通笔记本电脑的能量消耗，因为它具有一流的智能。这一特性促使研究人员开始研究用于人工智能的人类皮层的计算模型。脉冲神经网络(snn)是下一代神经网络，神经元通过被称为脉冲的二进制信号进行通信。snn对于硬件实现来说是节能的，因为脉冲带来了使用基于事件的硬件以及简单的节能累加器的机会。

snn的时空能力使其具有比dcnn更强的潜力，然而，利用它们的终极能力并非易事。各种类型的snn已经被提出用于视觉任务，可以根据它们的规格进行分类，例如:
网络结构:浅的，深的
拓扑结构的连接：卷积，全连接
信息编码：速率，时延
学习规则：监督，无监督，强化

使用Tensorflow (Abadi等，2016)和PyTorch (Paszke等，2017)等仿真框架，开发和运行dcnn是快速和高效的。相反，dcsnn则缺乏这样的框架。
在本文中，我们提出了SpykeTorch，一个基于PyTorch的仿真框架，专门针对每个神经元最多一个脉冲的卷积snn进行优化。SpykeTorch只支持时间到第一个刺信息编码，并提供一个IF模型与每个刺激中最多一个脉冲。

本文的其余部分组织如下:第2节描述了SpykeTorch如何在其计算中包含时间的概念。第3节专门介绍SpykeTorch包结构及其组成部分。在第4节中，给出了一个关于使用SpykeTorch构建、培训和评估DCSNN的简短教程。第6节总结了当前的工作，并强调了可能的未来工作。

去GitHub上看了看这个项目，一颗星都没有。。。算了不翻译了