![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
类脑计算
space_dandy
算法
展开
-
SINABS使用
SINABS是瑞士类脑芯片公司aiCTX开源的SNN仿真库,https://sinabs.ai对该库进行了详细的介绍。1.Spiking Neurons简介1.1人工神经元(Artificial Neuron)模型人工神经元模型可以表示为y=f(Wx+b),其中f为非线性激活函数。人工神经元的的输出直接依赖于输入,神经元没有影响到其输出的内部状态;而脉冲神经网络SNN增加了神经元对当前状态的额外依赖。1.2 LIF(Leaky Integrate and Fire)模型LIF模型是一原创 2020-11-17 11:13:14 · 1307 阅读 · 1 评论 -
Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition
论文地址:https://link.springer.com/article/10.1007/s11263-014-0788-31.摘要:卷积神经网络在解决目标检测等计算机视觉问题上展现了很大的优势,而脉冲神经网络在使用超低功耗的spike-based神经形态的硬件上具有极大的潜力。该篇文章的工作给出了一个新的将CNN转变为SNN网络的方法,并在DAPRA Neovision2和CIFAR-10数据集上达到了与传统CNN网络相当的优势。2.方法:2.1传统卷积神经网络模型由卷积层、tan原创 2020-11-11 14:39:26 · 993 阅读 · 2 评论 -
Event-based Asynchronous Sparse Convolutional Networks
文章贡献事件数据的处理方法中,批量处理事件数据,将其转换为中间输入表示的方法取得了较大的进展,但是该方法没有利用事件数据的异步性和稀疏性。本文针对事件数据,提出了一个通用的基于事件的处理框架,结合了低延迟方法和高精度批处理方法的优点。允许神经网络利用输入流和相关表示的异步和稀疏特性,从而大大减少计算量。该框架提供了几个理想特性:(1)对事件表示、神经网络结构和任务不可知;(2)不需要对优化和训练过程进行任何更改;(3)模拟了事件的时空稀疏性。1. Method介绍了展示了如何在经典的卷积架构中利用事原创 2020-08-26 14:58:46 · 581 阅读 · 6 评论 -
Bindsnet使用
Bindsnet是一个基于pytorch实现的用于搭建SNN的框架。关于网络构建:(1)首先初始化一个网络:import torchimport matplotlib.pyplot as pltfrom bindsnet.network import Network, nodes, topology, monitors#初始化一个网络network = Network(dt=1.0)(2)定义层,以及层与层之间的连接(其中moitor用于记录网络运行过程中各层的电压和脉冲)X原创 2020-07-30 16:12:47 · 1866 阅读 · 1 评论