通过反向传播的深层脉冲神经网络的时间性脉冲序列学习摘要  脉冲神经网络（SNNs）非常适用于时空学习和在高能效事件驱动的神经形态处理器上的实现。在高能效事件驱动的神经形态处理器上的实现。然而，现有的SNN错误反向传播(BP)方法缺乏正确处理 与传统人工神经网络的BP方法相比，现有的SNN误差反向传播（BP）方法缺乏对脉冲不连续的适当处理，并且性能低下。方法相比，性能较低。此外，通常需要大量的时间步

DECOUPLED WEIGHT DECAY REGULARIZATION解耦权值衰减正则化摘要L2正则化和权值衰减正则化对于标准随机梯度下降是等价的(当按学习率重新调整时)，但是在自适应梯度算法的情况下确并非如此，如Adam。虽然这些算法的通用实现采用L2正则化(通常称它为“权值衰减”，这可能是由于我们暴露的不等量性造成的误导)，我们提出了一个简单的修正，通过将权重衰减与采用损失函数的优化步骤解

推荐一个镜像网站。

脉冲神经网络中LIF模型简介文章借鉴电子书Neuronal DynamicsLIF模型Integrate-And-Fire Models  神经元动力学：被认为是一个求和（“整合”）过程，我们用一个正式的阈值ϑϑϑ来描述脉冲起始的临界电压。如果电压ui(t)u_i(t)ui​(t)(包含所有输入的总和)从最底到达阈值ϑϑϑ，我们说神经元iii发出一个脉冲。阈值越过的时刻定义了触发时间ti(f)t_

DirectTraining for Spiking Neural Networks:Faster, Larger, Better摘要  在新兴的神经形态硬件上实现节能的脉冲神经网络（SNN）正受到越来越多的关注。然而，由于缺乏有效的学习算法和有效的编程框架，SNN与人工神经网络（ANN）相比，还没有表现出具有竞争力的性能。我们从两个方面来解决这个问题：（1）提出了一种神经元归一化技术来调整神经选

通过反向传播的深层脉冲神经网络的时间性脉冲序列学习摘要  脉冲神经网络（SNNs）非常适用于时空学习和在高能效事件驱动的神经形态处理器上的实现。在高能效事件驱动的神经形态处理器上的实现。然而，现有的SNN错误反向传播(BP)方法缺乏正确处理 与传统人工神经网络的BP方法相比，现有的SNN误差反向传播（BP）方法缺乏对脉冲不连续的适当处理，并且性能低下。方法相比，性能较低。此外，通常需要大量的时间步

脉冲编码方法目前较为常见的神经编码方式主要包括频率编码(rate coding)、时间编码(temporal coding)、bursting编码和群编码(population coding)等(见图). 具体的脉冲在持续时间、振幅或形状上都可能有所不同,但在神经编码研究中, 它们通常被视为相同的定型事件.  频率编码主要考察脉冲发放率(firing rate), 即神经元发放的脉冲数量在其所对应

脉冲神经网络中LIF模型简介文章借鉴电子书Neuronal DynamicsLIF模型Integrate-And-Fire Models  神经元动力学：被认为是一个求和（“整合”）过程，我们用一个正式的阈值ϑϑϑ来描述脉冲起始的临界电压。如果电压ui(t)u_i(t)ui​(t)(包含所有输入的总和)从最底到达阈值ϑϑϑ，我们说神经元iii发出一个脉冲。阈值越过的时刻定义了触发时间ti(f)t_