fangwei123456/spikingjelly

它解决了什么问题

SpikingJelly 提供了一个原生基于 PyTorch 的框架，用于开发、训练和部署脉冲神经网络（SNNs）。它通过提供大规模 SNN 训练、推理和硬件部署的工具，弥合了传统人工神经网络（ANNs）与类脑计算之间的差距。

它如何工作

它直接与 PyTorch 集成，允许用户使用熟悉的模型构建模式来定义 SNN。该框架支持多种加速后端——包括 torch、cupy 和 triton——以优化神经元执行。它还提供了 ANN 到 SNN 转换的工具、混合精度训练（如 fp8）以及脉冲压缩功能，以在大规模训练期间减少内存使用。

适合谁使用

它专为从事类脑智能、事件驱动视觉和能效机器学习模型的 AI 研究人员和开发者设计。

主要特性

• 原生 PyTorch： 使用对初学者友好的 API，结构与 PyTorch 一致。
• 高性能： 支持多种后端（torch、cupy、triton），并与 torch.compile 兼容。
• 类脑数据支持： 内置对多种事件驱动数据集的支持，如 N-MNIST 和 DVS128 Gesture。
• 可部署： 提供与 NIR、Lava 和 Lynxi 的交换接口，可将模型从仿真环境迁移到类脑硬件。
• 可扩展工具： 包含分布式执行和内存高效训练功能，适用于大规模 SNN 系统。

一个真正为类脑计算而生的框架，让脉冲神经网络的开发变得简单而强大。— @zhaoyingjun