知识卡片

结构图卡 · 9600.s · 生成模型:DeepSeek-V4.1-Flash

Spike序列不变法

理解等级:中级

SNN 每层的输入输出都是二值脉冲序列,无法套用 DNN 那种逐层数值放缩,因为要保住的不是某个数,而是“哪些时刻发放”。Spike 序列不变法的判据是:只要第 l 层的输入脉冲序列与浮点网络一致,且泄漏电位与阈值电位按与该层权重相同的倍数放缩,则该层输出的脉冲序列不变。于是整型化变成三步:按各层权重范围选放缩倍数 ρw,使取整后的权重落入 8 bit 有符号整数区间;用同一倍数把泄漏向量与阈值向量一起取整;逐层推进到输出层。权重、泄漏、阈值必须同倍缩放,任何一项不同步都会改变发放时刻,进而改变整个网络的输出。

结构图:

flowchart TD
  A["统计各层权重范围"] --> B["选定放缩倍数"]
  B --> C["权重取整进8bit"]
  C --> D["泄漏与阈值同倍放缩"]
  D --> E["逐层推进至输出层"]
  E --> F["Spike序列与浮点一致"]
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:SNN 每层的输入输出都是二值脉冲序列,无法套用 DNN 那种逐层数值放缩,因为要保住的不是某个数,而是“哪些时刻发放”。 - 原始内容:式(8.11)表明,只要该层神经元的输入Spike序列与原始网络一致,并且泄漏值电位和阈值电位保持与权重参数放缩倍数相同,则该层神经元输出的Spike序列可以维持与原始网络一致。