StdP-MNIST 是一种开源的手写数字识别数据集,它由标准MNIST数据集(MNIST)扩展而来。MNIST 数据集包含60,000个训练样本和10,000个测试样本,涵盖了0到9的数字,每个数字有28x28像素的灰度图像。在 STDPM-MNIST 中,除了原始的 MNIST 数据集,还增加了一些额外的数据,如倾
mnist-classification spiking-neural-networks unsupervised-learning stdp synaptic-plasticity Updated Nov 2, 2022 Python daevem / SpykeTorch-Extended Star 6 Code Issues Pull requests An extension to the SpykeTorch framework for coding SNNs with several new spiking neuron models. neuromorphic snn stdp...
mnist-classificationspiking-neural-networksunsupervised-learningstdpsynaptic-plasticity UpdatedNov 2, 2022 Python zifeo/nest-stdpmodule Star15 Code Issues Pull requests A generalizable model of spike-timing dependent plasticity for the Neural Simulation Tool (NEST). ...
该文章详见作者CSDN博客 链接: 学习笔记-SNN用STDP法的MNIST数据集识别代码深入阅读 - CSDN博客 东南大学FutureX实验室 Email: futurex@seulab.com
我们的SDNN对于每幅MNIST图像,在所有层中总共只使用了大约600个脉冲,而有监督的基于频率的SDNN每层使用数千个脉冲[12]。此外,由于这些网络使用基于频率的神经编码,它们需要使用数百个时间步处理图像,而我们的网络仅使用30个时间步处理MNIST图像。值得注意的是,每当我们网络中的一个神经元放电,它就会抑制相同位置的...
简而言之,在R-STDP中,正确(错误)决策导致STDP (anti-STDP)。这种方法在不需要外部分类器的情况下,对MNIST的准确率为97.2%。此外,我们还证明了R-STDP提取了对当前任务有判别意义的特征,并丢弃了其他特征,而STDP提取了任何重复的特征。最后,我们的方法生物学合理,硬件友好,而且节能。
本发明公开了一种基于STDP在线学习的卷积脉冲神经网络的硬件加速器,采用STDP与RSTDP两种算法结合训练,支持网络的在线学习,能够适应动态变化的环境.所述硬件加速器由上位机与FPGA组成,前者进行脉冲编码等数据预处理,后者进行实际的网络计算.加速器在Xilinx的ZCU102型号的FPGA上实现,最终在MNIST数据集上进行训练,测试准确率...
difflogic 单核CPU推理每秒超一百万张MNIST 框架及硬件 生物神经网络的开源芯片+ 矢量符号架构作为纳米级硬件的计算框架+ 超越BP算法:增量预测编码: 并行且全自动的学习算法 抗攻击的鲁棒的图模型(层间及层内网络) Self-Expanding ⾃扩展神经⽹络 系统观: ...
每个epoch代表50个MNIST数字。该图中的MSE轨迹显示了BP-STDP在0.001和0.0005的学习率下的快速收敛。图9b显示了在训练中具有1000个隐藏神经元的SNN的MSE值和准确率。在100和900个训练epoch之后,分别达到了90%和96%的性能。为了检查隐藏神经元数量对性能的影响,我们将BP-STDP规则应用于具有100到1500个隐藏IF神经元的...
The unsupervised STDP learning method for the proposed MSNN is presented in Section 3. Section 4 provides the results on the MNIST dataset, and Section 5 concludes this paper. 2. Architecture The schematic of the proposed MSNN is shown in Figure 1. It has an input layer, a feature ...