脉冲神经网络（Spiking Neural Networks，SNNs）是仿生神经网络的一种类型，它们模仿了生物神经元在大脑中传递信息的方式。与传统的人工神经网络（Artificial Neural Networks，ANNs）不同，脉冲神经网络使用离散的脉冲（即“尖峰”或“冲动”）来传递信息，而不是连续的激活值。 主要特点 脉冲事件驱动：在SNNs中，信息是通过脉冲传递的，只有当神经元的电

只是敲代码过程中的流水记录，无整理，几乎没有参考价值，大家还是要自己敲一遍呀 基本原理弄清楚了，demo也跑通了，下一步就是用这个网络做自己的应用，好吧，写完了，就是性能一般，需要注意的问题是每次网络跑一遍都需要functional.reset_net(net) 不然会报这种错，RuntimeError: The size of tensor a (4000) must match the s

时间驱动：编码器 — spikingjelly alpha 文档https://spikingjelly.readthedocs.io/zh_CN/latest/clock_driven/2_encoding.html这个文档写得很详细了，这里主要补充自己的理解。 spiking neural network 神经元的输入和输出都是0,1序列，·但是图像，语音等数据都是离散值，因此需要编码 比

我们认为，SNNs 最大的优势在于其能够充分利用基于时空事件的信息。今天，我们有相当成熟的神经形态传感器，来记录环境实时的动态改变。这些动态感官数据可以与 SNNs 的时间处理能力相结合，以实现超低能耗的计算。 在此类传感器中使用 SNNs 主要受限于缺乏适当的训练算法，从而可以有效地利用尖峰神经元的时间信息。实际上就精度而言，在大多数学习任务中 SNNs的效果仍落后于第二代的深度学习。很

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 insta

前言：用SNN脉冲神经网络做基于事件相机的图像重建的文章 论文地址：【here】 代码地址：【here】 Event-based Video Reconstruction via Potential-assisted Spiking Neural Network 引言 目前的重建方法：用ANN人工神经网络 问题：人工神经网络,计算密集型，消耗大的功率，不利于处理低时延事件 解决：稀疏事件数据

目录 摘要/AbstractI 简介/IntroductionII 通过串联网络学习/Learning Through A Tandem NetworkA 神经元模型/Neuron ModelB 编码和解码方案/Encoding and Decoding SchemesC 作为离散神经表示的脉冲计数/Spike Count as a Discrete Neural Representatio