SpikingFlow
zero
  • SpikingFlow
    • SpikingFlow package
    • 快速上手教程
      • 神经元 SpikingFlow.neuron
      • 编码器 SpikingFlow.encoding
      • 仿真器 SpikingFlow.simulating
      • 突触连接 SpikingFlow.connection
      • 学习规则 SpikingFlow.learning
      • 软反向传播 SpikingFlow.softbp
      • 事件驱动 SpikingFlow.event_driven
SpikingFlow
  • Docs »
  • SpikingFlow »
  • 快速上手教程
  • Edit on GitHub

快速上手教程¶

  • 神经元 SpikingFlow.neuron
    • LIF神经元仿真
    • 定义新的神经元
  • 编码器 SpikingFlow.encoding
    • 泊松编码器
    • 更复杂的编码器
    • 定义新的编码器
  • 仿真器 SpikingFlow.simulating
    • 仿真原理
    • 快速仿真
  • 突触连接 SpikingFlow.connection
    • 脉冲电流转换器
    • 定义新的脉冲电流转换器
    • 突触连接
    • 定义新的突触连接
  • 学习规则 SpikingFlow.learning
    • 学习规则是什么
    • STDP(Spike Timing Dependent Plasticity)
    • 更灵活的STDPUpdater
    • 定义新的学习规则
  • 软反向传播 SpikingFlow.softbp
    • SNN之于RNN
    • 硬前向与软反向
    • 作为激活函数的SNN神经元
    • MNIST分类
    • CIFAR10分类
    • 模型流水线
    • 持续恒定输入的更快方法
  • 事件驱动 SpikingFlow.event_driven
    • 事件驱动的SNN仿真
    • 脉冲响应模型(Spike response model, SRM)
    • Tempotron神经元
    • 如何训练Tempotron
    • 并行实现
    • 识别MNIST
      • 高斯调谐曲线编码器
      • 定义网络、损失函数、分类结果
      • 查看训练结果
Next Previous

© Copyright 2020, PKU MLG Revision 2408665a.

Built with Sphinx using a theme provided by Read the Docs.