norse/norse

Deep learning with spiking neural networks (SNNs) in PyTorch.

Norse – 深度學習脈衝神經網路函式庫

它是什麼 – Norse 是一個 Python 函式庫，為 PyTorch 添加了受生物啟發的、事件驅動的神經元元件（脈衝神經元、突觸動態、編碼器/解碼器等）。它讓你能以與傳統深度學習模型相同的工具，建構、訓練與評估脈衝神經網路（SNN）。

為什麼重要 – 脈衝網路稀疏且以離散脈衝運作，與大腦計算方式更為接近，且在神經形態硬體上有望實現能源高效的推論。Norse 為研究者提供了可直接投入生產、相容於 PyTorch 的完整堆疊，讓他們在不拋棄優秀的 optimizer、data loader 與分散式訓練生態系的前提下，探索 SNN。

安裝方式 – 支援常見的 Python 套件安裝管道：

  • pip install norse
  • conda install -c conda-forge norse
  • Docker 映像 quay.io/norse/norse
  • 直接從原始碼安裝：pip install git+https://github.com/norse/norse。

快速上手 – 專案提供可直接執行的範例，可透過 norse.task 模組啟動，例如：

python -m norse.task.mnist      # 訓練脈衝 MNIST 分類器
python -m norse.task.cifar10    # 在 CIFAR‑10 上訓練
python -m norse.task.cartpole   # 使用策略梯度控制 cart‑pole

Google‑Colab notebook 示範了一個脈衝卷積分類器，能達到 >99 % 的 MNIST 正確率。

核心 API – 最常使用的原語位於 norse.torch 下：

  • LIFCell / LICell – 漏積分與發放（leaky‑integrate‑and‑fire）與漏積分器神經層。
  • SequentialState – 一個有狀態的包裝器，讓你像使用普通 nn.Sequential 那樣堆疊脈衝層。
  • LSNNRecurrent – 長短期脈衝網路（LSNN）的實作，用於遞迴任務。 這些元件的行為與標準 PyTorch 模組相同：接受張量、回傳輸出脈衝與更新後的隱藏狀態。

相容性 – 支援 PyTorch ≥ 1.9，並可與 PyTorch‑Lightning 整合以進行多 GPU 訓練（norse.task.mnist_pl）。

社群與支援 – 活躍的 Discord 頻道、CI 徽章、程式碼覆蓋率報告，以及可直接引用的 Zenodo 釋出。函式庫採用 LGPL‑v3 授權，歡迎透過 GitHub 工作流程貢獻。

何時使用 – 若你需要快速原型 SNN、探索神經形態演算法，或在 GPU/CPU 上執行脈衝模型以便之後遷移至專用硬體，Norse 提供了一個高階、經過充分測試的橋樑，將脈衝神經科學與現代深度學習管線結合。