SNN 输入编码过程理解

最新推荐文章于 2024-09-13 21:09:02 发布

宇宙哇

最新推荐文章于 2024-09-13 21:09:02 发布

阅读量5.4k

点赞数 7

文章标签：神经网络

本文链接：https://blog.csdn.net/weixin_42052231/article/details/108762620

版权

本文通过解析SNN中的泊松编码，探讨如何将MNIST图像数据转化为脉冲序列。每张图片的像素值代表灰度，灰度值越大，脉冲激活的概率越高。利用灰度值/255作为神经元激活的概率，根据泊松分布生成脉冲序列，实现SNN的输入编码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SNN 输入编码解析

以Bindset中的examples/eth_mnist.py为例

SNN的输入是时间脉冲，如何把mnist图片数据转换为脉冲序列呢？

首先mnist数据中，每张图片的像素为28×28，实际表示为28×28的矩阵，矩阵中每个元素是0-255之间的整数。

SNN需要输入一个脉冲序列，大体的输入格式是长度为采样次数，每个元素为0/1，代表激活与否。

其中一种常见的序列编码为泊松编码

描述具有固定频率的事件，在某段时间内发生的概率。

那每个像素的灰度值，代表了颜色的深浅程度。灰度值越大，该像素与背景色之间的差距越大。

换个角度理解，灰度值越大，我们眼睛越容易注意到这个像素，也就越容易激活神经元。

用灰度值/255来比作看到这个像素，然后被神经元注意到的概率。

这样的话我们就有了一个固定的频率，接下来根据泊松分布，即可得到在指定的时间段内，脉冲产生的概率分布，根据这个分布产生脉冲序列即可。

具体代码和注释如下：

def poisson(
    datum: torch.Tensor, time: int, dt: float = 1.0, device="cpu", **kwargs
) -> torch.Tensor: