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 torch
import matplotlib.pyplot as plt
from bindsnet.network import Network
from bindsnet.network.nodes import Input, LIFNodes
from bindsnet.network.topology import Connection
from bindsnet.network.monitors import Monitor
from 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

标签：layer,network,Python,time,monitor,source,Running,target,Bindsnet
来源： https://blog.csdn.net/weixin_44099023/article/details/115324171