llllfffffffff的博客

在本教程中，我们将假设我们有一些非脉冲输入数据 （即MNIST数据集）， 尝试使用几种不同的技术将这些数据编码为脉冲。

Leaky Integrate-and-Fire（LIF） 神经元模型处于生物物理模型和人工神经元两者之间的中间位置。它接收加权输入的总和, 与人工神经元非常相似。但它并不直接将输入传递给激活函数, 而是在一段时间内通过泄漏对输入进行累积, 这与 RC 电路非常相似。如果累积值超过阈值, 那么 LIF 神经元就会发出电压脉冲。LIF 神经元会提取出输出脉冲的形状和轮廓；它只是将其视为一个离散事件。因此, 信息并不是存储在脉冲中, 而是存储在脉冲的时长（或频率）中。

了解如何简化LIF神经元，使其适合深度学习实现前馈脉冲神经网络（SNN）

网络框架# 定义网络fc1 对来自MNIST数据集的所有输入像素应用线性变换；lif1 集成了随时间变化的加权输入，如果满足阈值条件，则发放脉冲；fc2 对 lif1 的输出脉冲应用线性变换；lif2 是另一层脉冲神经元，集成了随时间变化的加权脉冲。