知识卡片

普通读书笔记卡 · 9600.q · 生成模型:DeepSeek-V4.1-Flash

CANN改造成硬件友好

理解等级:高级

连续吸引子网络(CANN)是一维首尾相接、权重随距离高斯衰减的反馈 LIF 网络:邻域内连接强,邻域外不连;给某个位置注入外部激励,网络就在该处形成活动峰,峰随输入移动,因而能锁定运动目标。原始模型用 V 到 r 的平方二阶归一化和除法归一化,硬件上难做。改造有三处:加膜电位非负约束 V≥0,每步执行 V=ReLU(V),把二阶归一化降为一阶;把除法归一化换成加减归一化;权重仍按距离高斯编码,半径 RC 外截断为零。改造后每步只需乘累加、加法与 ReLU,可直接映射到类脑芯片,且保持原有峰形跟踪行为。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第8章 类脑计算平台及其目标检测与跟踪应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt008.html) - 结论依据:连续吸引子网络(CANN)是一维首尾相接、权重随距离高斯衰减的反馈 LIF 网络:邻域内连接强,邻域外不连;给某个位置注入外部激励,网络就在该处形成活动峰,峰随输入移动,因而能锁定运动目标。 - 原始内容:与原始的CANN模型相比,式(8.9)主要通过添加膜电位正值约束s.t.V(x,t)≥0,将原始的V→r平方二阶归一化简化为一阶归一化,并把除法归一化操作修改为加减归一化操作。