SpikingFlow.encoding package¶
Module contents¶
-
class
SpikingFlow.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
-
forward(x)[源代码]¶ - 参数
x – 要编码的数据
- 返回
编码后的脉冲，或者是None
将x编码为脉冲。少数编码器（例如ConstantEncoder）可以将x编码成时长为1个dt的脉冲，在这种情况下，本函数返回编码后的脉冲
多数编码器（例如PeriodicEncoder），都是把x编码成时长为n个dt的脉冲out_spike，out_spike.shape=[n, *]
因此编码一次后，需要调用n次step()函数才能将脉冲全部发放完毕
第index调用step()会得到out_spike[index]
-
training: bool¶
-
-
class
SpikingFlow.encoding.ConstantEncoder[源代码]¶ 基类：
SpikingFlow.encoding.BaseEncoder将输入简单转化为脉冲，输入中大于0的位置输出1，其他位置输出0
-
training: bool¶
-
-
class
SpikingFlow.encoding.PeriodicEncoder(out_spike)[源代码]¶ 基类：
SpikingFlow.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
-
set_out_spike(out_spike)[源代码]¶ - 参数
out_spike – 新设定的out_spike，必须是torch.bool
- 返回
None
重新设定编码器的输出脉冲self.out_spike为out_spike
-
training: bool¶
-
class
SpikingFlow.encoding.LatencyEncoder(max_spike_time, function_type='linear', device='cpu')[源代码]¶ 基类：
SpikingFlow.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
\[alpha = exp(t_{max} - 1) - 1\]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())
-
forward(x)[源代码]¶ - 参数
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max_spike_time个时刻的max_spike_time个脉冲
-
training: bool¶
-
class
SpikingFlow.encoding.PoissonEncoder[源代码]¶ 基类：
SpikingFlow.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))
-
training: bool¶
-
-
class
SpikingFlow.encoding.GaussianTuningCurveEncoder(x_min, x_max, tuning_curve_num, max_spike_time, device='cpu')[源代码]¶ 基类：
SpikingFlow.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())
-
training: bool¶