微信公众号：脑机接口研习社
关注脑机接口最新进展

脑机接口研习社公众号即将开通机器学习专栏，从本篇文章开始，将介绍如何利用Bindsnet-Python包模拟脉冲神经网络（SNN）。

一、脉冲神经网络（SNN）简介

首先，我们来看什么是人工神经网络。

人工神经网络（Artificial Neural Network，即ANN ），是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。

参考链接：https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/382460?fr=aladdin#3

在人工神经网络的发展过程中，产生了几代经典的神经网络模型。

第一代神经网络是感知机（perceptron），是神经元间的直连感知，模拟的是简单的神经元模型，只能处理二进制。

▲Perceptrons: The First Neural Networks

第二代BP(back propagation)一类的神经网络，模拟了神经元全连接和反馈机制，是基于神经脉冲的频率进行编码。

第三代是深度学习领域涉及的神经网络，如卷积神经网络（Convolutional Neural Networks，CNN，比感知机多了卷积层，模拟了多层的神经元之间的部分连接和反馈机制。

▲ A Comprehensive Guide to Convolutional Neural Networks

到CNN为止，所有连接权重的更新速度是一样的。即所有神经元的连接，在某个时间点的兴奋度低，但在下一个时间点的兴奋度可能很高！

这可能不符合常识，因为知道，大脑中的神经元在训练足够多的次数后，神经元的连接会变得越来越强烈，以至于最后会产生条件反射。所以此刻兴奋的神经元在下一时刻应该惯性地也比较兴奋才对。

这就引出了脉冲神经网络(SNN)的想法：神经元兴奋度不应该是一瞬间更新的，而是慢慢衰减的，衰减的过程中有机会向更深的网络激活兴奋区，最后，激活的兴奋区才是最后的预测判别结果。SNN主要模拟的是神经突触以电脉冲传递信息的编码方式。

▲Spiking Neural Networks, the Next Generation of Machine Learning

CNN和SNN是不同视角的类脑智能，人工智能的发展也都是向着更加类脑的方向发展。

二、Bindsnet-Python简介

Bindsnet是一个python包，它使用pytorch函数在CPU或GPU上模拟脉冲神经网络（SNN）。

Bindsnet是一个脉冲神经网络模拟库，旨在开发用于机器学习的生物启发算法。

此软件包是在受生物启发的神经和动力系统（binds）实验室中，将SNN应用于机器学习（Machine Learning，ML）和强化学习（Reinforcement Learning, RL）问题的持续研究的一部分。

三、建立一个网络（Creating a Network）

BindsNET主要提供bindsnet.network.Network的object, 它负责协调其所有组成部分的仿真：神经元，突触，学习规则(neurons, synapses, learning rules)等。

代码示例：

from bindsnet.network import Network
network = Network()

该bindsnet.network.Network的Object接受可选关键字参数dt， batch_size，learning，和reward_fn。

dt参数指定模拟时间步长，该步长确定要解决模拟的时间粒度（以毫秒为单位）。为了简化计算，所有仿真均使用Euler方法进行。如果在仿真中遇到不稳定性，请使用较小的dt值来解决数值的不稳定性。

batch_size参数指定输入数据的预期minibatch大小。但是，由于BindsNET支持动态minibatch大小，因此可以放心地忽略此参数。它用于初始化有状态的神经元和突触变量，如果过早事先指定，可能会提供较小的加速。

learning参数用于启用或禁用对网络组件的自适应参数的更新，例如，突触权重或自适应电压阈值。

reward_fn参数采用一个类，该类指定如何计算标量奖励信号并将其馈送到网络及其组件。通常，此可调用类的输出将用于某些“奖励调节（ reward-modulated）”或“三因素（three-factor）”学习规则中。

下期将介绍如何添加网络元件（Adding Network Components）。

未完待续……

参考链接：

https://bindsnet-docs.readthedocs.io/guide/guide_part_i.html#creating-a-network

https://www.cnpython.com/pypi/bindsnet

https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/382460?fr=aladdin#3

https://www.zhihu.com/question/297704400

http://nooverfit.com/wp/%e8%84%89%e5%86%b2%e7%a5%9e%e7%bb%8f%e7%bd%91%e7%bb%9csnn%e4%bc%9a%e6%98%af%e4%b8%8b%e4%b8%80%e4%bb%a3%e7%a5%9e%e7%bb%8f%e7%bd%91%e7%bb%9c%e5%90%97%ef%bc%9f-%e7%9f%a5%e8%af%86%e6%a2%b3%e7%90%86/

图源/谷歌图片

标签：Bindsnet,Python,e7%,Network,SNN,神经网络,Part,E7%,神经元
来源： https://blog.csdn.net/weixin_44099023/article/details/115026541