spikingjelly：用于大规模脉冲神经网络训练与推理的 PyTorch 原生框架

它解决了什么

SpikingJelly 是一个基于 PyTorch 的框架，旨在简化脉冲神经网络（SNN）的开发、训练和部署。它提供了处理脉冲神经元独特时间动力学所需的基础设施，这些动力学不同于传统的人工神经网络（ANN），同时保持与 PyTorch 生态系统的兼容性。

工作原理

该框架集成了脉冲神经元模型（如 LIFNode）和代理梯度，使得 SNN 能够使用标准的基于梯度的优化方法进行训练。它支持多种加速后端——torch、cupy 和 triton——以优化神经元核的执行。对于从传统 AI 转来的用户，它提供了 ANN2SNN 转换工具，将已有的人工神经网络转换为脉冲版本。

适用人群

该框架面向从事神经形态计算、基于脉冲的智能以及能效 AI 的研究者和开发者，也适用于希望将事件驱动数据集整合到机器学习工作流中的用户。

亮点

• PyTorch 原生 API：使用熟悉的 PyTorch nn.Sequential 和模块模式定义 SNN。
• 高性能后端：支持 cupy 和 triton，实现更快的神经元执行。
• 神经形态数据支持：内置访问多种事件驱动数据集（如 ASL-DVS、N-MNIST）。
• 部署就绪：提供将模型导出到神经形态硬件的接口，支持 NIR、Lava 和 Lynxi。
• 扩展工具：包括内存高效训练（memopt）和多 GPU 工作负载的分布式执行。