学习spiking neural network代码过程问题记录

本文主要是介绍学习spiking neural network代码过程问题记录，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

未经整理，超级混乱，几乎只对作者有价值。。大家想看的话建议用find跳着看。。如果有时间再整理

在github上搜到了spikingjelly的包，决定用这个

1.安装

直接使用pip install spikingjelly，报错Could not install packages due to an EnvironmentError

解决办法

错误解决：Could not install packages due to an EnvironmentError_Stephanie的博客-CSDN博客

2.准备做第一个例子

发现不知道parser是什么，查询parser.add_argument后发现，要先定义解析器

在代码中加入

import argparse
parse=argparse.ArgumentParser()

参考1 参考2 参考3详细介绍

然后就没报错了，也不知道好了没，继续往下做吧

下面是初始化数据加载器，结果报错name 'dataset_dir' is not defined，这个dataset_dir就是本地准备放下载的数据集的路径，写好之后又报错

各种调不通，找到了教程对应的完整代码文件

运行这个文件，这句话报错from spikingjelly.clock_driven import neuron, functional, surrogate, layer，super(type, obj): obj must be an instance or subtype of type，意思是定义的类名，与super地方不一致，于是把no_grad这个类改为

改了之后没用，然后改回来了，关掉核之后重新运行，这个没报错了，报了另一个错误

查看tensorboard版本

from tensorboard import version
print(version.VERSION)

发现是1.14.0

更新tensorboard版本

pip uninstall tensorboard -y
pip install tensorboard -i https://pypi.douban.com/simple/

直接更新到2.7.0，不报错了

接着调试，在这一句net.to(args.device)报错Torch not compiled with CUDA enabled，由于不知道出了什么问题，以及对args不熟悉，秉持着能用就行的原则，直接把这句话替换成熟悉的代码，就不报错了，并且把后面所有的args.device都变成device

接下来这里报错，

需要在前面args.opt加上 default='Adam'

接下来的保持就是float和double类型的保持，更改代码保持一致即可。

代码正在跑，时间有点长，也没输出，不知道会不会出问题，等待过程中看看网络结构好了。

class PythonNet(nn.Module):def __init__(self, T):super().__init__()self.T = Tself.static_conv = nn.Sequential(nn.Conv2d(1, 128, kernel_size=3, padding=1, bias=False),nn.BatchNorm2d(128),)self.conv = nn.Sequential(neuron.IFNode(surrogate_function=surrogate.ATan()),nn.MaxPool2d(2, 2),  # 14 * 14nn.Conv2d(128, 128, kernel_size=3, padding=1, bias=False),nn.BatchNorm2d(128),neuron.IFNode(surrogate_function=surrogate.ATan()),nn.MaxPool2d(2, 2)  # 7 * 7)self.fc = nn.Sequential(nn.Flatten(),nn.Linear(128 * 7 * 7, 128 * 4 * 4, bias=False),neuron.IFNode(surrogate_function=surrogate.ATan()),nn.Linear(128 * 4 * 4, 10, bias=False),neuron.IFNode(surrogate_function=surrogate.ATan()),)def forward(self, x):x = self.static_conv(x)out_spikes_counter = self.fc(self.conv(x))for t in range(1, self.T):out_spikes_counter += self.fc(self.conv(x))return out_spikes_counter / self.T

用的这个网络，x，输入静态的卷积网络，，过了一个conv之后，循环T个时间点，然后求平均输出，作者写得很详细