snnTorch
PulseAugur coverage of snnTorch — every cluster mentioning snnTorch across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
脉冲神经网络在视觉定位识别方面得到改进
研究人员开发了一种新的脉冲神经网络（SNN）视觉定位识别实现方法，旨在提高其在自主导航中的可靠性。该研究采用PyTorch和snnTorch，引入了一种离散的、张量原生的方法，提高了100%精度下的召回率（R@100P）指标。主要发现包括：闭式神经元分配方法的有效性、每次查询后进行状态重置的好处，以及通过五帧连续的、速度补偿的滑动窗口聚合实现完美的R@100P。
-
新的MLIR方言将脉冲神经网络编译为C
研究人员开发了SNN-MLIR，一个新颖的MLIR方言，旨在将脉冲神经网络（SNN）从通用的中间表示（NIR）编译为C代码，以便在裸机上部署。该工具通过提供统一的编译器表示来解决SNN训练框架碎片化的问题，该表示同时支持浮点和量化数据。该系统包括一个读取NIR文件的Python前端和一个生成自包含C11代码的降低（lowering）过程，目前支持CPU目标上的前馈、全连接网络。
-
脉冲神经网络在高效网络入侵检测方面展现出潜力
研究人员评估了各种脉冲神经网络（SNN）配置在网络入侵检测中的应用，旨在寻找计算密集型深度学习模型的轻量级替代方案。他们的研究涉及在四个基准数据集上测试了27种神经元模型和脉冲编码方案的变体。研究结果表明，脉冲编码方法比神经元模型更关键，其中延迟编码的性能优于速率编码和delta编码。
-
NeuroTrain框架调研和基准测试SNN学习规则
研究人员推出NeuroTrain，一个用于基准测试脉冲神经网络（SNN）训练算法的开源框架。该框架提供了SNN训练方法的统一分类，根据生物学启发、计算结构和硬件适用性进行分类。通过在模块化系统中实现各种算法，NeuroTrain旨在促进可复现的研究，并为高效SNN训练确定有前景的未来方向。