SpikingFlow.simulating package¶
Module contents¶
-
class
SpikingFlow.simulating.Simulator(fast=True)[源代码]¶ 基类：
object- 参数
fast – 是否快速仿真（仿真的第一时刻就给出输出）。因为module_list长度为n时，t=0时刻的输入在t=n时刻才流经 module[n-1]并输出，也就是需要仿真器运行n步后才能得到输出。实际使用时可能不太方便，因此若开启快速仿真，则在仿真器首次 运行时，会运行n步而不是1步，并认为这n步的输入都是input_data
仿真器，内含多个module组成的list
当前时刻启动仿真前，数据和模型如下
x[0] -> module[0] -> x[1] -> module[1] -> … -> x[n-1] -> module[n-1] -> x[n]
pipeline = [ x[0], x[1], …, x[n-2], x[n-1], x[n] ]
启动仿真后，应该按照如下顺序计算
X[0] = input_data
x[n] = module[n-1](x[n-1])
x[n-1] = module[n-2](x[n-2])
…
x[1] = module[0](x[0])
测试代码
sim = simulating.Simulator() sim.append(encoding.ConstantEncoder()) sim.append(tf.SpikeCurrent(amplitude=0.01)) sim.append(neuron.IFNode(shape=[1], r=0.5, v_threshold=1.0)) sim.append(tf.SpikeCurrent(amplitude=0.4)) sim.append(neuron.IFNode(shape=[1], r=2.0, v_threshold=1.0)) sim.append(tf.ExpDecayCurrent(tau=5.0, amplitude=1.0)) sim.append(neuron.LIFNode(shape=[1], r=5.0, v_threshold=1.0, tau=10.0)) v = [] v.extend(([], [], [])) for i in range(1000): if i < 800: output_data = sim.step(torch.ones(size=[1], dtype=torch.bool)) else: output_data = sim.step(torch.zeros(size=[1], dtype=torch.bool)) #print(i, sim.pipeline) for j in range(3): v[j].append(sim.module_list[2 * j + 2].v.item()) pyplot.plot(v[0]) pyplot.show() pyplot.plot(v[1]) pyplot.show() pyplot.plot(v[2]) pyplot.show()