本文提出了一种高效深度脉冲神经网络（SNN）模型，采用TTFS编码方式将输入像素强度转换为脉冲发放时间，实现每神经元仅需0.3个脉冲的高效计算。通过双区段神经元模型，在异步累积期整合输入脉冲，并在线性冲刺期进行快速计算，最终建立与ReLU激活函数的等效映射。该模型通过时间编码实现信息传递，在保持计算精度的同时显著降低了脉冲发放频率和能耗。数学推导表明，该SNN模型可等效转换为标准ReLU神经网络，

二值transformer

顶点法向量：首先计算每个顶点的法向量。边法向量插值：在每条边的每个点上，基于顶点的法向量进行插值。内部法向量插值：在多边形内部的每个点上，基于相邻边的法向量进行插值。光照计算：利用插值后的法向量，使用Phong光照模型来计算每个点的颜色。曲面细分（Subdivision Surface）是计算机图形学中的一种方法，用于将粗糙的多边形网格细化为平滑的曲面。细分算法通过递归地分割网格中的每个多边形，逐

参数化是指将一个三维表面（如模型的网格）映射到二维纹理空间目的是赋予每个顶点一个纹理坐标uv∈012uv∈012；使得 2D 纹理图像能正确贴合在 3D 表面上；类似于将一张贴纸展开、包裹在物体表面。

圆柱是一个高度为hhh、底面半径为rrr的三维物体。设纹理坐标为uv(u, v)uv，其中：uuu控制圆周方向（即0≤u≤10≤u≤1对应0≤θ≤2π0≤θ≤2πvvv控制竖直方向（0≤v≤10≤v≤1对应底到顶）。我们把二维纹理uv(u, v)uv映射到圆柱的三维表面点xyz(x, y, z)xyz上。

SNN Nature综述阅读

Rcos⁡θI1−cos⁡θv⃗v⃗Tsin⁡θv⃗×RcosθI1−cosθvvTsinθv×​这就是从向量形式 → 矩阵形式的全过程推导。

所以我们要“反过来推”，从数据出发，倒推出这个参数。这就是最大似然的直觉: “哪个参数让我们实际观测到的数据。我们在每个类别内部进行建模的时候，类别标签已经是已知的固定量。假设我们要预测某人是否患病（1 or 0），你用逻辑回归来建模，参数是。所以 MLE 可以被看作一种“没有先验信息时的贝叶斯估计”。这就是贝叶斯方法“把模型参数的不确定性也考虑进来”的精髓。我们应该考虑所有可能的参数值，不要只依

前言：25年考察了三角形面积权重计算，没有在ppt中找到该知识，直接被暴击。

事件越不可预测（概率越低），其发生时提供的信息量应越大。均匀分布时熵最大（不确定性最高），确定分布时熵最小（零）。在某些情况下，我们不仅关心分类是否正确，还关心错误的代价。为此，我们引入损失函数。如果苹果的表面通常是光滑的，而橘子的表面通常是粗糙的，则。，即在给定观测值 x 的情况下，尽可能做出正确的分类决策。，当我们观察到数据 x 时，我们希望选择最可能的类别。：在已知 B 发生的情况下，事件