SNN-Supervised-Learning

Spiking Neural Network for Supervised Learning using PyTorch

代码修改自https://github.com/yjwu17/BP-for-SpikingNN

使用脉冲神经网络实现MNIST、CIFAR10图像分类

目前仅测试了Spike-CNN在CIFAR10数据集上的有效性。Spike-CNN和Spike-MLP用于MNIST数据集可能需要对网络各层size作相应调整。

TODO

Population coding ：在输出层使用N*M个神经元进行频率编码（rate coding），N是样本类别，对于MNIST和CIFAR10，N=10，M是种群神经元数量。每个label由M个神经元的总发放频率来确定。例如，若时间窗长度T=10，则一个神经元可以编码11种不同信息，若计算M个神经元的总的发放次数，则该population可以编码 M*(T+1) 种信息，提高了神经元的表征能力。

参考文献

• Wu Y , Deng L , Li G , et al. Spatio-Temporal Backpropagation for Training High-performance Spiking Neural Networks[J]. 2017.
• Wu Y , Deng L , Li G , et al. Direct Training for Spiking Neural Networks: Faster, Larger, Better[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33:1311-1318.