编码器 SpikingFlow.encoding¶

本节教程主要关注 SpikingFlow.encoding，包括如何使用已有编码器、如何定义新的编码器。

泊松编码器¶

SNN中，脉冲在层与层之间传递信息。在SpikingFlow中，脉冲被定义为 torch.bool 类型的tensor，也就是离散的0和1。因此，常见的数据类型，例如图像，并不能直接输入到SNN中，需要做一些转换，将这些数据转换成脉冲，这一过程即为“编码”。

泊松编码器是最简单，但也效果良好、广泛使用的一种编码。

对于输入 \(x \in [0, 1]\) ，泊松编码器将其编码为发放次数的分布符合泊松过程的脉冲。实现泊松过程非常简单，因为泊松流具有独立增量性、增量平稳性的性质。在一个仿真步长内，令发放脉冲的概率为 \(p = x\) ，就可以实现泊松编码。

参考 SpikingFlow.encoding.PoissonEncoder 的代码：

def forward(self, x):
    '''
    :param x: 要编码的数据，任意形状的tensor，要求x的数据范围必须在[0, 1]

    将输入数据x编码为脉冲，脉冲发放的概率即为对应位置元素的值
    '''
    out_spike = torch.rand_like(x).le(x)
    # torch.rand_like(x)生成与x相同shape的介于[0, 1)之间的随机数， 这个随机数小于等于x中对应位置的元素，则发放脉冲
    return out_spike

使用起来也比较简单：

pe = encoding.PoissonEncoder()
x = torch.rand(size=[8])
print(x)
for i in range(10):
    print(pe(x))

更复杂的编码器¶

更复杂的一些编码器，并不能像泊松编码器这样使用。例如某个编码器，将输入0.1编码成 [0, 0, 1, 0] 这样的脉冲，由于我们的框架是时间驱动的，因此编码器需要逐步输出 0, 0, 1, 0。

对于这样的编码器，例如 SpikingFlow.encoding.LatencyEncoder，调用时需要先编码一次，也就是条用 forward() 函数编码数据然后再输出T次，也就是调用T次 step()，例如：

x = torch.rand(size=[3, 2])
max_spike_time = 20
le = encoding.LatencyEncoder(max_spike_time)

le(x)
print(x)
print(le.spike_time)
for i in range(max_spike_time):
    print(le.step())

定义新的编码器¶

编码器的实现非常灵活，因此在编码器的基类 SpikingFlow.encoding.BaseEncoder 中，并没有很多的限制。对于在一个仿真步长内就能输出所有脉冲的编码器，只需要实现 forward() 函数；对于需要多个仿真步长才能输出所有编码脉冲的编码器，需要实现 forward(), step(), reset() 函数。