Advertisement

Hybrid-SNN-Conversion: 利用混合ANN-SNN转换及基于尖峰的反向传播训练尖峰网络

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本文提出了一种名为Hybrid-SNN-Conversion的方法，结合了人工神经网络(ANN)和脉冲神经网络(SNN)的优点。通过使用混合ANN-SNN转换以及基于尖峰的反向传播技术来优化和训练尖峰网络，从而提高其性能和效率。 通过混合转换和依赖于峰值时间的反向传播来启用深度尖峰神经网络 这是与发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法包括以下两个步骤： 1. 训练ANN（ann.py） 2. 将ANN转换为SNN并执行基于尖峰的反向传播（snn.py） 档案文件 - ann.py：训练一个ANN，可以提供输入参数来提供建筑设计、数据集和训练设置。 - snn.py：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 - self_models：包含已训练的人工神经网络模型和尖峰神经网络模型 - ann_script.py 和 snn_script.py：这些脚本可用于设计各种实验，创建script.sh以运行多个模型。 在某些情况下，“STDB”的激活可能在训练过程中变得不稳定。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Hybrid-SNN-Conversion: 利用混合ANN-SNN转换及基于尖峰的反向传播训练尖峰网络
    优质
    本文提出了一种名为Hybrid-SNN-Conversion的方法，结合了人工神经网络(ANN)和脉冲神经网络(SNN)的优点。通过使用混合ANN-SNN转换以及基于尖峰的反向传播技术来优化和训练尖峰网络，从而提高其性能和效率。 通过混合转换和依赖于峰值时间的反向传播来启用深度尖峰神经网络 这是与发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法包括以下两个步骤： 1. 训练ANN（ann.py） 2. 将ANN转换为SNN并执行基于尖峰的反向传播（snn.py） 档案文件 - ann.py：训练一个ANN，可以提供输入参数来提供建筑设计、数据集和训练设置。 - snn.py：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 - self_models：包含已训练的人工神经网络模型和尖峰神经网络模型 - ann_script.py 和 snn_script.py：这些脚本可用于设计各种实验，创建script.sh以运行多个模型。 在某些情况下，“STDB”的激活可能在训练过程中变得不稳定。
     
  • BindSNet: 用PyTorch仿真尖峰神经网络(SNN)
    优质
    简介：BindSNet是一款基于PyTorch框架开发的工具包，专为尖峰神经网络(SNN)的模拟与研究设计。它提供了高效、灵活的模块来支持SNN模型的构建和训练，助力深入探索脉冲式计算在人工智能领域的应用潜力。 BindsNET 是一个用于在 CPU 或 GPU 上使用 Tensor 功能模拟尖峰神经网络（SNN）的 Python 软件包。它是一个专门为了开发适用于机器学习（ML）和强化学习（RL）问题的受生物启发算法而设计的库。该软件包作为正在进行的研究的一部分，用于将 SNN 应用到这些问题中，并提供实验集合、结果分析功能以及实验结果图等。 BindsNET 的文档可以在相关页面找到。它需要 Python 3.6 及以上版本，并且可以通过其 git 存储库安装：`pip install git+https://github.com/BindsNET/bindsnet.git`
     
  • 用PyTorch模拟尖峰神经网络（SNN）- Python开发
    优质
    本项目利用Python编程语言及PyTorch深度学习框架，实现尖峰神经网络(Spiking Neural Network, SNN)的建模与仿真。通过此实践，探索SNN在处理时间序列数据方面的优势，并优化其性能以适用于多种应用场景。 BindsNET 是一个尖峰神经网络仿真库，旨在开发用于机器学习的受生物启发的算法。它是一个 Python 软件包，利用 PyTorch 的张量功能在 CPU 或 GPU 上模拟尖峰神经网络（SNN）。该软件包作为正在进行的研究的一部分，在生物学启发的神经与动力系统（BINDS）实验室中被应用于解决机器学习和强化学习问题。
     
  • Matlab精度验证代码-SNN模式识别: 三层SNN代码，采用监督式尖峰学习规则...
    优质
    本项目提供了一个三层脉冲神经网络（SNN）的MATLAB实现，用于模式识别任务。通过监督式尖峰学习算法优化权重，验证模型精度。 此自述文件列出了用于开发尖峰神经网络的代码库内容，这些代码针对基于MNIST数据集的手写数字分类的应用程序进行监督学习训练。该网络采用类似随机梯度下降的方式进行训练，在每次图像显示结束后更新权重。SNN中使用的神经元是简单的泄漏积分并触发类型。 本段落描述了NormAD的监督尖峰神经网络（SNN）训练算法，由N.Anwani和B.Rajendran在2015年国际神经网络联合会议（IJCNN）上发表：“NormAD-基于尖峰神经元的标准化近似后裔监督学习规则”，2015年。 此外，本段落还描述了使用NormAD算法实现三层SNN的CUDA版本。如若您在工作中引用我们的代码，请参考以下文献：SRKulkarni, JMAlexiades 和 B.Rajendran，“基于尖峰神经网络的手写数字学习和实时分类”，2017年第24届IEEE电子，电路和系统国际会议（ICECS），巴统，2017年。
     
  • 基于尖峰时间依赖的可塑性：尖峰神经网络中的变化（用MATLAB实现）
    优质
    本研究探讨了尖峰时间依赖可塑性在尖峰神经网络中的应用，并利用MATLAB实现了相关的模拟实验，分析了不同参数对网络性能的影响。 尖峰时间依赖性可塑性的机制在突触后放电之前出现突触前尖峰时增强相关突触权重，并在突触后放电之后出现突触前尖峰时减弱相关突触权重。如果两个神经元的尖峰时间差异很小，那么这种变化对突触权重的影响最大；随着两者之间的时间差增大，影响呈指数递减的趋势。当两者的尖峰时间差距超过20毫秒时，则不会发生任何修改。 该机制建立在Song S.、Miller KD 和 Abbott LF 提出的生物学模型的基础上：“通过尖峰时间依赖性的突触可塑性进行竞争性赫布学习”，发表于Nature Neuroscience，第3卷，第9期，页码为 919-926, 年份是2000年。其基本原理在于：如果一个神经元在另一个已经开始放电之后才产生动作电位，则前者不大可能对后者有显著影响；相反地，在后一神经元即将开始活动之前就发生前一神经元的动作电位，更有可能导致后续的突触反应。 此机制的作用仅限于调整现有的连接强度，并不会创建新的或删除已有的突触联系。
     
  • 基于Verilog的尖峰神经网络代码实现----
    优质
    本研究探讨了利用Verilog硬件描述语言来设计和实现尖峰神经网络(Spiking Neural Network, SNN)的方法。通过模拟生物神经系统中的尖峰活动，我们开发了一套高效的SNN代码库，旨在提高计算效率与灵活性。该工作为构建高性能、低功耗的神经形态系统提供了新的途径。 尖峰神经网络的Verilog代码实现
     
  • 去尖峰：此函数用于从数据中移除尖峰噪声 - MATLAB开发
    优质
    去尖峰是一款MATLAB工具，专门设计用于识别并消除数据中的尖峰噪声，增强信号处理和数据分析的准确性。 此函数用于从数据中去除尖峰噪声。该功能最初是为处理时间序列水速数据中的尖峰噪声而设计的，但也可应用于其他目的。其基本思想源自Goring 和 Nikora (2002)，他们考虑了时间序列信号的一阶和二阶导数。有关详细信息，请参阅Mori, N.、T. Suzuki 和 S. Kakuno (2007) 的论文《气泡流中声学多普勒测速仪数据的噪声》，发表于工程力学杂志，美国土木工程师学会，第133卷，第1期，页码为 122-125。
     
  • 利用PyTorch进行尖峰神经网络(SNNs)模拟的Python工具包
    优质
    这是一个基于PyTorch开发的Python工具包，专为尖峰神经网络（SNNs）的仿真设计，提供高效的深度学习模型转换和模拟功能。 BindsNET 是一个 Python 软件包，利用 PyTorch 的 Tensor 功能在 CPU 或 GPU 上模拟尖峰神经网络 (SNN)。该库旨在开发用于机器学习的生物启发算法，并作为将 SNN 应用到机器学习和强化学习问题的研究的一部分，在生物启发神经与动力系统实验室中进行。 BindsNET 提供了一系列实验、结果分析函数以及展示实验结果图的功能，方便用户理解和使用尖峰神经网络。要安装 BindsNET，需要 Python 3.6 或更高版本的环境，并可以通过 pip 安装软件包或从其 GitHub 存储库克隆并构建。使用以下命令之一可以获取最新稳定版： ``` pip install git+https://github.com/BindsNET/bindsnet.git ``` 或者，用户可以选择性地以可编辑模式安装 BindsNET 软件包，通过将目录更改为存储库的顶层，并执行 `pip install` 命令来实现。
     
  • 尖峰与峰值的自动检测算法(Matlab)
    优质
    本简介介绍了一种利用Matlab开发的自动化算法，专门用于有效识别和分析数据序列中的尖峰与峰值现象。此工具对于信号处理、数据分析等领域具有重要意义。 自动识别一段信号中的尖峰，并输出尖峰的持续时间和幅值以及位置点。