知识卡片

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

反馈网络列向分片映射

理解等级:高级

反馈 LIF 网络每个神经元要把输出送回邻域内所有神经元,扇入扇出都极大,是映射中最难的一类。可行做法是先加连接约束:建模时限定每个神经元只连 15×15 邻域,把全反馈降为局部反馈。然后按列分片:30×56 的网络分成 8 片 30×7=210 个神经元,每片只与相邻三片相连;210 可以扇入单个 FCore,但三片输出 630 超过 256 的扇出上限,于是把 210 到 630 拆成三个 210 到 210 的子网,各用一个 FCore,输入靠扇出复制;24 个 FCore 得到各片的部分和,再用扇入拓展做第二级求和得到完整和。邻域越大、网络越大,复制与求和开销随之上升。

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:反馈 LIF 网络每个神经元要把输出送回邻域内所有神经元,扇入扇出都极大,是映射中最难的一类。 - 原始内容:步骤1:将原始网络进行列向分片,拆分成M×(N1+N2+…+NO)共计O片,每片尺寸M×Ni≤256。