如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part III. 运行仿真程序（Running Simulations）

概述系列文章目录PartI.建立一个网络BindsNET安装教程PartII.添加网络元件微信搜索：脑机接口研习社关注我们，了解脑机接口最新进展文章目录系列文章目录一、运行仿真程序（RunningSimulations）二、仿真笔记（SimulationNotes）三、内容总结一、运行仿真程序（Run

系列文章目录

Part I. 建立一个网络

BindsNET安装教程

Part II. 添加网络元件

---

微信搜索：脑机接口研习社
关注我们，了解脑机接口最新进展

文章目录系列文章目录一、运行仿真程序（Running Simulations）二、仿真笔记（Simulation Notes）三、内容总结

---

一、运行仿真程序（Running Simulations）

建立Network对象后，下一步是运行仿真程序。

使用代码Network.run运行此功能。

Network.run接收的参数包括：

inputs——将子类AbstractAbstract的层的名称映射成字典，并以[time，batch_size，* input_shape]的形式输入数据，其中input_shape是数据要传递到的神经元群体的形状。
time——时间步长的模拟次数，通常被认为是毫秒。
clamp和unclamp——用于强迫神经元在任何给定的时间步长达到峰值、进行脉冲（或不进行脉冲）。
reward——提供奖励调制的学习规则。
masks——是字典映射到布尔张量的连接，该布尔张量指定将哪个突触权重钳位为零。

基于前面的教程，我们在此提供一个简单的端到端（end-to-end）的示例，用于模拟两层、输入-输出的脉冲神经网络。

前面的教程戳下面的链接：

Part I. Creating a Network

Part II. Adding Network Components

代码示例：

import torchimport matplotlib.pyplot as pltfrom bindsnet.network import Networkfrom bindsnet.network.nodes import input, liFNodesfrom bindsnet.network.topology import Connectionfrom bindsnet.network.monitors import Monitorfrom bindsnet.analysis.plotting import plot_spikes, plot_voltages# Simulation time.time = 500# Create the network.network = Network()# Create and add input, output layers.source_layer = input(n=100)target_layer = liFNodes(n=1000) #node=neural network.add_layer(    layer=source_layer, name="A")network.add_layer(    layer=target_layer, name="B")# Create connection between input and output layers.forward_connection = Connection( #模拟神经元不断向前的连接    source=source_layer,    target=target_layer,    w=0.05 + 0.1 * torch.randn(source_layer.n, target_layer.n),  # normal(0.05, 0.01) weights.)#torch.randn是生成一个随机矩阵，有source_layer.n行、target_layer.n列network.add_connection(    connection=forward_connection, source="A", target="B")# Create recurrent connection in output layer.recurrent_connection = Connection(    source=target_layer,    target=target_layer,    w=0.025 * (torch.eye(target_layer.n) - 1), # Small, inhibitory "competitive" weights.)network.add_connection(    connection=recurrent_connection, source="B", target="B")# Create and add input and output layer monitors.source_monitor = Monitor(    obj=source_layer,    state_vars=("s",),  # Record spikes and voltages.    time=time,  # Length of simulation (if kNown ahead of time).)target_monitor = Monitor(    obj=target_layer,    state_vars=("s", "v"),  # Record spikes and voltages.    time=time,  # Length of simulation (if kNown ahead of time).)network.add_monitor(monitor=source_monitor, name="A")network.add_monitor(monitor=target_monitor, name="B")# Create input spike data, where each spike is distributed according to Bernoulli(0.1).input_data = torch.bernoulli(0.1 * torch.ones(time, source_layer.n)).byte()inputs = {"A": input_data}# Simulate network on input data.network.run(inputs=inputs, time=time)# RetrIEve and plot simulation spike, voltage data from monitors.spikes = {    "A": source_monitor.get("s"), "B": target_monitor.get("s")}voltages = {"B": target_monitor.get("v")}plt.ioff()plot_spikes(spikes)plot_voltages(voltages, plot_type="line")plt.show()

输出结果：

在上面的电压图中可以看到，liFNodes对象的默认阈值设置下，没有电压高于-52mV。达到这一高位电压后，神经元的电压将重置为-64mV。

二、仿真笔记（Simulation Notes）

所有网络组件的仿真都是同步的、或者说是“时钟驱动的”（synchronous or clock-driven。也就是说，所有元件都会在每个时间步（time step）进行更新。

其他框架使用事件驱动（event-driven）的仿真，其中脉冲（spike）可以在任意时间处发生，而不是只在dt的倍数处发生。

由于易于实现且出于计算效率的考虑，我们选择了时钟驱动的仿真。

在“模拟”（simulation）这一步骤中，每个层的输入（inputs）将计算为所有与它连接的前一个模拟时间步的所有输出（outputs）的总和，由突触权重进行加权，由bindsnet.network.Network类的_get_inputs方法实现。

该模型使我们能够解耦网络元件，并在所选dt的时间粒度上分别执行其仿真，仅在仿真步骤之间进行交互。

这与深度神经网络（DNN）的计算完全不同。

DNN是假定了层的排序，并且是在单个时间步中从最浅层到最深层按顺序计算了层的激活。除了循环层（recurrent layers）例外，循环层的计算仍然按照时间排序。

三、内容总结

下节将介绍建立和添加学习规则（Creating and Adding learning rules）。

未完待续……

参考链接：

https://bindsnet-docs.readthedocs.io/guIDe/guIDe_part_i.HTML#adding-network-components

图源/谷歌图片

总结

以上是内存溢出为你收集整理的如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part III. 运行仿真程序（Running Simulations）全部内容，希望文章能够帮你解决如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part III. 运行仿真程序（Running Simulations）所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。