bamsumit/slayerPytorch

PyTorch implementation of SLAYER for training Spiking Neural Networks

何を解決するか

多層スパイキングニューラルネットワーク（SNN）の学習の課題に対処し、バックプロパゲーションを用いてシナプス結合重みと軸索遅延パラメータを学習可能にします。

動作方法

SLAYER（Spike Layer Error Reassignment in Time）フレームワークのPyTorchポートです。複数のスパイクをレイヤーごとにネイティブで処理し、層間で誤差をバックプロパゲーションしてネットワークパラメータを最適化します。

対象ユーザー

PyTorchとCUDA対応GPUを用いてスパイキングニューラルネットワークのモデルを実装・学習したい研究者や開発者。

特徴

  • SLAYERフレームワークのPyTorch実装。
  • シナプス結合重みと軸索遅延の両方の学習をサポート。
  • レイヤーごとに複数のスパイクをネイティブで処理。
  • マルチレイヤーパーセプトロン（MLP）および畳み込みニューラルネットワーク（CNN）の例実装を含む。

関連

  • プロジェクト
    BindsNET/bindsnet

    生物的にインスパイアされた機械学習および強化学習アルゴリズムを開発するための、PyTorchベースのスパイキングニューラルネットワーク（SNN）シミュレーションライブラリ。

  • プロジェクト
    Lightning-AI/pytorch-lightning

    PyTorch のエンジニアリング・ボイラープレートを抽象化し、研究者がさまざまなハードウェア上で AI モデルを大規模にスケールアップして事前学習および微調整できるディープラーニング・フレームワークです。

  • プロジェクト
    pytorch/pytorch

    GPU加速されたテンソル計算と、動的autogradシステムを提供するPythonベースの機械学習フレームワーク。

  • プロジェクト
    TorchSpatiotemporal/tsl

    PyTorchベースの神経時空間予測用ライブラリで、データ前処理、モデルプロトタイピング、グラフニューラルネットワーク実装のための統合フレームワークを提供します。

  • プロジェクト
    fangwei123456/spikingjelly

    SpikingJelly は、複数のパフォーマンスバックエンド、大規模学習ツール、神経形態学的データセットローダー、ハードウェアフォーマットへのエクスポートを備えた、PyTorchベースのスパイキングニューラルネットワークの構築・学習・デプロイ用ライブラリです。