spikingjelly.clock_driven.encoding package¶
Module contents¶
-
class
spikingjelly.clock_driven.encoding.BaseEncoder[源代码]¶ 基类：
torch.nn.modules.module.Module所有编码器的基类。编码器将输入数据（例如图像）编码为脉冲数据。
-
class
spikingjelly.clock_driven.encoding.PeriodicEncoder(out_spike)[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoder- 参数
out_spike – shape=[T, *]，PeriodicEncoder会不断的输出out_spike[0], out_spike[1], …, out_spike[T-1], out_spike[0], out_spike[1], …
给定out_spike后，周期性的输出out_spike[0], out_spike[1], …, out_spike[T-1]的编码器。
-
class
spikingjelly.clock_driven.encoding.LatencyEncoder(max_spike_time, function_type='linear', device='cpu')[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoder- 参数
max_spike_time – 最晚（最大）脉冲发放时间
function_type – ‘linear’或’log’
device – 数据所在设备
延迟编码，刺激强度越大，脉冲发放越早。要求刺激强度已经被归一化到[0, 1]。
脉冲发放时间 \(t_i\) 与刺激强度 \(x_i\) 满足：
- type=’linear’
- \[t_i = (t_{max} - 1) * (1 - x_i)\]
- type=’log’
- \[t_i = (t_{max} - 1) - ln(\alpha * x_i + 1)\]
\(\alpha\) 满足：
\[(t_{max} - 1) - ln(\alpha * 1 + 1) = 0\]这导致此编码器很容易发生溢出，因为
\[\alpha = e^{t_{max} - 1} - 1\]当 \(t_{max}\) 较大时 \(\alpha\) 极大。
示例代码：
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())
-
class
spikingjelly.clock_driven.encoding.PoissonEncoder[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoder泊松频率编码，输出脉冲可以看作是泊松流，发放脉冲的概率即为刺激强度，要求刺激强度已经被归一化到[0, 1]。
示例代码：
pe = encoding.PoissonEncoder() x = torch.rand(size=[8]) print(x) for i in range(10): print(pe(x))
-
class
spikingjelly.clock_driven.encoding.GaussianTuningCurveEncoder(x_min, x_max, tuning_curve_num, max_spike_time, device='cpu')[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoder- 参数
x_min – float，或者是shape=[M]的tensor，表示M个特征的最小值
x_max – float，或者是shape=[M]的tensor，表示M个特征的最大值
tuning_curve_num – 编码每个特征使用的高斯函数（调谐曲线）数量
max_spike_time – 最大脉冲发放时间，所有数据都会被编码到[0, max_spike_time - 1]范围内的脉冲发放时间
device – 数据所在设备
Bohte S M, Kok J N, La Poutre H. Error-backpropagation in temporally encoded networks of spiking neurons[J]. Neurocomputing, 2002, 48(1-4): 17-37.
高斯调谐曲线编码，一种时域编码方法。
首先生成tuning_curve_num个高斯函数，这些高斯函数的对称轴在数据范围内均匀排列，对于每一个输入x，计算tuning_curve_num个 高斯函数的值，使用这些函数值线性地生成tuning_curve_num个脉冲发放时间。
待编码向量是M维tensor，也就是有M个特征。
1个M维tensor会被编码成shape=[M, tuning_curve_num]的tensor，表示M * tuning_curve_num个神经元的脉冲发放时间。
需要注意的是，编码一次数据，经过max_spike_time步仿真，才能进行下一次的编码。
示例代码：
x = torch.rand(size=[3, 2]) tuning_curve_num = 10 max_spike_time = 20 ge = encoding.GaussianTuningCurveEncoder(x.min(0)[0], x.max(0)[0], tuning_curve_num=tuning_curve_num, max_spike_time=max_spike_time) ge(x) for i in range(max_spike_time): print(ge.step())
-
class
spikingjelly.clock_driven.encoding.IntervalEncoder(T_in, shape, device='cpu')[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoder- 参数
T_in – 脉冲发放的间隔
shape – 输出形状
device – 输出脉冲所在的设备
每隔
T_in个步长就发放一次脉冲的编码器。
-
class
spikingjelly.clock_driven.encoding.WeightedPhaseEncoder(phase, period, device='cpu')[源代码]¶ 基类：
spikingjelly.clock_driven.encoding.BaseEncoderKim J, Kim H, Huh S, et al. Deep neural networks with weighted spikes[J]. Neurocomputing, 2018, 311: 373-386.
带权的相位编码，一种基于二进制表示的编码方法。
将输入按照二进制各位展开，从高位到低位遍历输入进行脉冲编码。相比于频率编码，每一位携带的信息量更多。编码相位数为 \(K\) 时，可以对于处于区间 \([0, 1-2^{-K}]\) 的数进行编码。以下为原始论文中的示例：
Phase (K=8)
1
2
3
4
5
6
7
8
Spike weight \(\omega(t)\)
2-1
2-2
2-3
2-4
2-5
2-6
2-7
2-8
192/256
1
1
0
0
0
0
0
0
1/256
0
0
0
0
0
0
0
1
128/256
1
0
0
0
0
0
0
0
255/256
1
1
1
1
1
1
1
1