SpikingFlow.neuron package¶

Module contents¶

class SpikingFlow.neuron.BaseNode(shape, r, v_threshold, v_reset=0.0, device='cpu')[源代码]¶

基类：torch.nn.modules.module.Module

参数

shape – 输出的shape，可以看作是神经元的数量
r – 膜电阻，可以是一个float，表示所有神经元的膜电阻均为这个float。也可以是形状为shape的tensor，这样就指定了每个神经元的膜电阻
v_threshold – 阈值电压，可以是一个float，也可以是tensor
v_reset – 重置电压，可以是一个float，也可以是tensor 注意，更新过程中会确保电压不低于v_reset，因而电压低于v_reset时会被截断为v_reset
device – 数据所在的设备

时钟驱动（逐步仿真）的神经元基本模型

这些神经元都是在t时刻接收电流i作为输入，与膜电阻r相乘，得到dv = i * r

之后self.v += dv，然后根据神经元自身的属性，决定是否发放脉冲

需要注意的是，所有的神经元模型都遵循如下约定:

电压会被截断到[v_reset, v_threshold]
数据经过一个BaseNode，需要1个dt的时间。可以参考simulating包的流水线的设计
t-dt时刻电压没有达到阈值，t时刻电压达到了阈值，则到t+dt时刻才会放出脉冲。这是为了方便查看波形图，如果不这样设计，若t-dt时刻电压为0.1，v_threshold=1.0，v_reset=0.0, t时刻增加了0.9，直接在t时刻发放脉冲，则从波形图上看，电压从0.1直接跳变到了0.0，不利于进行数据分析

forward(i)[源代码]¶

参数: i – 当前时刻的输入电流，可以是一个float，也可以是tensor
Return:out_spike: shape与self.shape相同，输出脉冲

接受电流输入，更新膜电位的电压，并输出脉冲（如果过阈值）

reset()[源代码]¶

返回: None

将所有状态变量全部设置为初始值，作为基类即为将膜电位v设置为v_reset

对于子类，如果存在除了v以外其他状态量的神经元，应该重写此函数

training: bool¶

class SpikingFlow.neuron.IFNode(shape, r, v_threshold, v_reset=0.0, device='cpu')[源代码]¶

基类：SpikingFlow.neuron.BaseNode

参数

shape – 输出的shape，可以看作是神经元的数量
r – 膜电阻，可以是一个float，表示所有神经元的膜电阻均为这个float。也可以是形状为shape的tensor，这样就指定了每个神经元的膜电阻
v_threshold – 阈值电压，可以是一个float，也可以是tensor
v_reset – 重置电压，可以是一个float，也可以是tensor。注意，更新过程中会确保电压不低于v_reset，因而电压低于v_reset时会被截断为v_reset
device – 数据所在的设备

IF神经元模型，可以看作理想积分器，无输入时电压保持恒定，不会像LIF神经元那样衰减

\[\frac{\mathrm{d}V(t)}{\mathrm{d} t} = R_{m}I(t)\]

电压一旦达到阈值v_threshold则下一个时刻放出脉冲，同时电压归位到重置电压v_reset

测试代码

if_node = neuron.IFNode([1], r=1.0, v_threshold=1.0)
v = []
for i in range(1000):
    if_node(0.01)
    v.append(if_node.v.item())

pyplot.plot(v)
pyplot.show()

forward(i)[源代码]¶

参数: i – 当前时刻的输入电流，可以是一个float，也可以是tensor
返回: out_spike: shape与self.shape相同，输出脉冲

training: bool¶

class SpikingFlow.neuron.LIFNode(shape, r, v_threshold, v_reset=0.0, tau=1.0, device='cpu')[源代码]¶

基类：SpikingFlow.neuron.BaseNode

参数

shape – 输出的shape，可以看作是神经元的数量
r – 膜电阻，可以是一个float，表示所有神经元的膜电阻均为这个float。也可以是形状为shape的tensor，这样就指定了每个神经元的膜电阻
v_threshold – 阈值电压，可以是一个float，也可以是tensor
v_reset – 重置电压，可以是一个float，也可以是tensor 注意，更新过程中会确保电压不低于v_reset，因而电压低于v_reset时会被截断为v_reset
tau – 膜电位时间常数，越大则充电越慢对于频率编码而言，tau越大，神经元对“频率”的感知和测量也就越精准在分类任务中，增大tau在一定范围内能够显著增加正确率
device – 数据所在的设备

LIF神经元模型，可以看作是带漏电的积分器

\[\tau_{m} \frac{\mathrm{d}V(t)}{\mathrm{d}t} = -(V(t) - V_{reset}) + R_{m}I(t)\]

电压在不为v_reset时，会指数衰减

v_decay = -(self.v - self.v_reset)
self.v += (self.r * i + v_decay) / self.tau

电压一旦达到阈值v_threshold则下一个时刻放出脉冲，同时电压归位到重置电压v_reset

测试代码

lif_node = neuron.LIFNode([1], r=9.0, v_threshold=1.0, tau=20.0)
v = []

for i in range(1000):
    if i < 500:
        lif_node(0.1)
    else:
        lif_node(0)
    v.append(lif_node.v.item())

pyplot.plot(v)
pyplot.show()

training: bool¶

forward(i)[源代码]¶

参数: i – 当前时刻的输入电流，可以是一个float，也可以是tensor
返回: out_spike: shape与self.shape相同，输出脉冲