如何利用Bindsnet-Python模拟脉冲神经网络（SNN）？Part III. 运行仿真程序（Running Simulations）

2022-06-04 22:04:33

系列文章目录

Part I. 建立一个网络

BindsNET安装教程

Part II. 添加网络元件

微信搜索：脑机接口研习社
关注我们，了解脑机接口最新进展

文章目录

系列文章目录
一、运行仿真程序（Running Simulations）
二、仿真笔记（Simulation Notes）
三、内容总结

一、运行仿真程序（Running Simulations）

建立Network对象后，下一步是运行仿真程序。

使用代码Network.run运行此功能。

Network.run接收的参数包括：

inputs——将子类AbstractAbstract的层的名称映射成字典，并以[time，batch_size，* input_shape]的形式输入数据，其中input_shape是数据要传递到的神经元群体的形状。
time——时间步长的模拟次数，通常被认为是毫秒。
clamp和unclamp——用于强迫神经元在任何给定的时间步长达到峰值、进行脉冲（或不进行脉冲）。
reward——提供奖励调制的学习规则。
masks——是字典映射到布尔张量的连接，该布尔张量指定将哪个突触权重钳位为零。

基于前面的教程，我们在此提供一个简单的端到端（end-to-end）的示例，用于模拟两层、输入-输出的脉冲神经网络。

前面的教程戳下面的链接：

Part I. Creating a Network

Part II. Adding Network Components

代码示例：

import torch
import matplotlib.pyplot as plt
from bindsnet.network import Network
from bindsnet.network.nodes import Input, LIFNodes
from bindsnet.network.topology import Connection
from bindsnet.network.monitors import Monitor
from bindsnet.analysis.plotting import plot_spikes, plot_voltages

# Simulation time.
time = 500

# Create the network.
network = Network()

# Create and add input, output layers.
source_layer = Input(n=100)
target_layer = LIFNodes(n=1000) #node=neural 

network.add_layer(
    layer=source_layer, name="A"
)
network.add_layer(
    layer=target_layer, name="B"
)

# Create connection between input and output layers.
forward_connection = Connection( #模拟神经元不断向前的连接
    source=source_layer,
    target=target_layer,
    w=0.05 + 0.1 * torch.randn(source_layer.n, target_layer.n),  # Normal(0.05, 0.01) weights.
)
#torch.randn是生成一个随机矩阵，有source_layer.n行、target_layer.n列

network.add_connection(
    connection=forward_connection, source="A", target="B"
)

# Create recurrent connection in output layer.
recurrent_connection = Connection(
    source=target_layer,
    target=target_layer,
    w=0.025 * (torch.eye(target_layer.n) - 1), # Small, inhibitory "competitive" weights.
)

network.add_connection(
    connection=recurrent_connection, source="B", target="B"
)

# Create and add input and output layer monitors.
source_monitor = Monitor(
    obj=source_layer,
    state_vars=("s",),  # Record spikes and voltages.
    time=time,  # Length of simulation (if known ahead of time).
)
target_monitor = Monitor(
    obj=target_layer,
    state_vars=("s", "v"),  # Record spikes and voltages.
    time=time,  # Length of simulation (if known ahead of time).
)

network.add_monitor(monitor=source_monitor, name="A")
network.add_monitor(monitor=target_monitor, name="B")

# Create input spike data, where each spike is distributed according to Bernoulli(0.1).
input_data = torch.bernoulli(0.1 * torch.ones(time, source_layer.n)).byte()
inputs = {"A": input_data}

# Simulate network on input data.
network.run(inputs=inputs, time=time)

# Retrieve and plot simulation spike, voltage data from monitors.
spikes = {
    "A": source_monitor.get("s"), "B": target_monitor.get("s")
}
voltages = {"B": target_monitor.get("v")}

plt.ioff()
plot_spikes(spikes)
plot_voltages(voltages, plot_type="line")
plt.show()

输出结果：

在上面的电压图中可以看到，LIFNodes对象的默认阈值设置下，没有电压高于-52mV。达到这一高位电压后，神经元的电压将重置为-64mV。