SpikingJelly 是一个基于 PyTorch，使用脉冲神经网络 (Spiking Network, SNN) 进行深度学习的框架。
SpikingJelly 非常易于使用。使用 SpikingJelly 搭建 SNN，就像使用 PyTorch 搭建 ANN 一样简单：
class Net(nn.Module):
def __init__(self, tau=100.0, v_threshold=1.0, v_reset=0.0):
super().__init__()
# 网络结构，简单的双层全连接网络，每一层之后都是LIF神经元
self.fc = nn.Sequential(
nn.Flatten(),
nn.Linear(28 * 28, 14 * 14, bias=False),
neuron.LIFNode(tau=tau, v_threshold=v_threshold, v_reset=v_reset),
nn.Linear(14 * 14, 10, bias=False),
neuron.LIFNode(tau=tau, v_threshold=v_threshold, v_reset=v_reset)
)
def forward(self, x):
return self.fc(x)
设备支持
- Nvidia GPU
- CPU
像使用 PyTorch 一样简单。
>>> net = nn.Sequential(nn.Flatten(), nn.Linear(28 * 28, 10, bias=False), neuron.LIFNode(tau=tau))
>>> net = net.to(device) # Can be CPU or CUDA devices神经形态数据集支持
SpikingJelly 已经将下列数据集纳入：
| 数据集 | 来源 |
|---|---|
| ASL-DVS | Graph-based Object Classification for Neuromorphic Vision Sensing |
| CIFAR10-DVS | CIFAR10-DVS: An Event-Stream Dataset for Object Classification |
| DVS128 Gesture | A Low Power, Fully Event-Based Gesture Recognition System |
| N-Caltech101 | Converting Static Image Datasets to Spiking Neuromorphic Datasets Using Saccades |
| N-MNIST | Converting Static Image Datasets to Spiking Neuromorphic Datasets Using Saccades |
用户可以轻松使用事件数据，或由 SpikingJelly 积分生成的帧数据：
from spikingjelly.datasets.dvs128_gesture import DVS128Gesture
root_dir = 'D:/datasets/DVS128Gesture'
event_set = DVS128Gesture(root_dir, train=True, data_type='event')
frame_set = DVS128Gesture(root_dir, train=True, data_type='frame', frames_number=20, split_by='number')未来将会纳入更多数据集。
-
首先，要进行ANN的训练，训练出来的一个文件模型是pkl格式的模型。然后试图将这个ANN模型转换为SNN 这个ANN的模型的网络结构：三层卷积块串联一个全连接层，每个卷积块由一个卷积层、一个批正则化、一个ReLU激活和一个平均池化层组成 代码如下： self.network = nn.Sequential( nn.Conv2d(1, 32, 3, 1),
-
在spikingjelly中， self.output_statistics 是一个字典，字典打印出来是这个样子： Key:input Key:{'shape': (100, 3, 32, 32), 'min': 0.0, 'max': 1.0, '99.9': 1.0} Key:128 Key:({'shape': (100, 3, 32, 32), 'min': -2.4290657,
-
使用自己的数据集最大的一个问题在于，源代码使用的是MNIST数据集，而我使用的是自己构建的图片集。 主要区别在以下几点： 1. 源代码数据加载使用的方法为： # train_data_dataset = torchvision.datasets.MNIST( # root=dataset_dir, # train=True, # transf
-
spikingjelly的最新版本，我当时使用的是20210330，中间存在onnx的包调用错误，难以解决。 通过调试20201221，发现这个版本的是好使的，但是也有一些是需要调试的。 1.首先应该训练出一个ANN模型出来，此时main函数中应该不填入任何信息，即 if __name__ == '__main__': main() # main('./log-cnn_mnist1
-
神经网络和深度学习是一本免费的在线书。本书会教会你： 神经网络，一种美妙的受生物学启发的编程范式，可以让计算机从观测数据中进行学习 深度学习，一个强有力的用于神经网络学习的众多技术的集合 神经网络和深度学习目前给出了在图像识别、语音识别和自然语言处理领域中很多问题的最好解决方案。本书将会教你在神经网络和深度学习背后的众多核心概念。 想了解本书选择的观点的更多细节，请看这里。或者直接跳到第一章 开始
-
深度神经网络的工作地点、原因和方式。从大脑中获取灵感。卷积神经网络（CNN）和循环神经网络（RNN）。真实世界中的应用。 使用深度学习，我们仍然是习得一个函数f，将输入X映射为输出Y，并使测试数据上的损失最小，就像我们之前那样。回忆一下，在 2.1 节监督学习中，我们的初始“问题陈述”： Y = f(X) + ϵ 训练：机器从带标签的训练数据习得f 测试：机器从不带标签的测试数据预测Y 真实世界很
-
LeNet 5 LeNet-5是第一个成功的卷积神经网络，共有7层，不包含输入，每层都包含可训练参数（连接权重）。 AlexNet tf AlexNet可以认为是增强版的LeNet5，共8层，其中前5层convolutional，后面3层是full-connected。 GooLeNet (Inception v2) GoogLeNet用了很多相同的层，共22层，并将全连接层变为稀疏链接层。 In
-
本文向大家介绍TensorFlow深度学习之卷积神经网络CNN，包括了TensorFlow深度学习之卷积神经网络CNN的使用技巧和注意事项，需要的朋友参考一下 一、卷积神经网络的概述 卷积神经网络（ConvolutionalNeural Network，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度
-
我计划编写一个国际象棋引擎，它使用深度卷积神经网络来评估国际象棋的位置。我将使用位板来表示棋盘状态，这意味着输入层应该有12*64个神经元用于位置，1个用于玩家移动（0表示黑色，1表示白色）和4个神经元用于铸币权（wks、bks、wqs、bqs）。将有两个隐藏层，每个层有515个神经元，一个输出神经元的值介于-1表示黑色获胜，1表示白色获胜，0表示相等的位置。所有神经元都将使用tanh（）激活函数
-
代码见nn_overfit.py 优化 Regularization 在前面实现的RELU连接的两层神经网络中，加Regularization进行约束，采用加l2 norm的方法，进行负反馈： 代码实现上，只需要对tf_sgd_relu_nn中train_loss做修改即可： 可以用tf.nn.l2_loss(t)对一个Tensor对象求l2 norm 需要对我们使用的各个W都做这样的计算（参考t
-
本章到目前为止介绍的循环神经网络只有一个单向的隐藏层，在深度学习应用里，我们通常会用到含有多个隐藏层的循环神经网络，也称作深度循环神经网络。图6.11演示了一个有$L$个隐藏层的深度循环神经网络，每个隐藏状态不断传递至当前层的下一时间步和当前时间步的下一层。 具体来说，在时间步$t$里，设小批量输入$\boldsymbol{X}_t \in \mathbb{R}^{n \times d}$（样本数
-
在LeNet提出后的将近20年里，神经网络一度被其他机器学习方法超越，如支持向量机。虽然LeNet可以在早期的小数据集上取得好的成绩，但是在更大的真实数据集上的表现并不尽如人意。一方面，神经网络计算复杂。虽然20世纪90年代也有过一些针对神经网络的加速硬件，但并没有像之后GPU那样大量普及。因此，训练一个多通道、多层和有大量参数的卷积神经网络在当年很难完成。另一方面，当年研究者还没有大量深入研究参