突触连接 SpikingFlow.connection¶

本节教程主要关注 SpikingFlow.connection，包括如何使用已有突触连接、如何定义新的突触连接。

脉冲电流转换器¶

SpikingFlow中，神经元的输出都是 torch.bool 类型的脉冲，而输入则为 torch.float 类型的电流。将脉冲转换为电流的转换器，功能上类似于突触连接，但又有所不同，因此被视为突触连接包的子模块，定义在 SpikingFlow.connection.transform 中。

最简单的将脉冲转换为电流的方式，自然是不做任何处理，直接转换。SpikingFlow.connection.transform.SpikeCurrent 正是这样做的：

def forward(self, in_spike):
    '''
    :param in_spike: 输入脉冲
    :return: 输出电流

    简单地将输入脉冲转换为0/1的浮点数，然后乘以amplitude
    '''
    return in_spike.float() * self.amplitude

其中 self.amplitude 是初始化时给定的放大系数。

更复杂的转换器，例如 SpikingFlow.connection.transform.ExpDecayCurrent，具有指数衰减的特性。若当前时刻到达一个脉冲，则电流变为 amplitude，否则电流按时间常数为 tau 进行指数衰减：

def forward(self, in_spike):
    '''
    :param in_spike: 输入脉冲
    :return: 输出电流
    '''
    in_spike_float = in_spike.float()
    i_decay = -self.i / self.tau
    self.i += i_decay * (1 - in_spike_float) + self.amplitude * in_spike_float
    return self.i

ExpDecayCurrent 可以看作是一个能够瞬间充满电的电容器，有脉冲作为输入时，则直接充满电；无输入时则自行放电。这种特性，使得ExpDecayCurrent 与 SpikeCurrent 相比，具有了“记忆”，因而它需要额外定义一个重置状态的函数：

def reset(self):
    '''
    :return: None
    重置所有状态变量为初始值，对于ExpDecayCurrent而言，直接将电流设置为0即可
    '''
    self.i = 0

定义新的脉冲电流转换器¶

从之前的例子也可以看出，脉冲电流转换器的定义比较简单，接受 torch.bool 类型的脉冲作为输入，输出 torch.float 类型的电流。只需要继承 SpikingFlow.connection.transform.BaseTransformer，实现 __init__() 和 forward() 函数，对于有记忆（状态）的转换器，则额外实现一个 reset() 函数。

突触连接¶

SpikingFlow里的突触连接，与传统ANN中的连接非常类似，都可以看作是一个简单的矩阵，而信息在突触上的传递，则可以看作是矩阵运算。

例如 SpikingFlow.connection.Linear，与PyTorch中的 nn.Linear 的行为基本相同：

def forward(self, x):
    '''
    :param x: 输入电流，shape=[batch_size, *, in_num]
    :return: 输出电流，shape=[batch_size, *, out_num]
    '''
    return torch.matmul(x, self.w.t())

定义新的突触连接¶

定义新的突触连接，与定义新的脉冲电流转换器非常类似，只需要继承 SpikingFlow.connection.BaseConnection，实现 __init__()和 forward() 函数。对于有记忆（状态）的突触，也需要额外实现 reset() 函数。