脉冲神经网络被誉为第三代神经网络，它既是神经科学中研究大脑原理的基本工具，又因其超低功耗等特性备受关注。随着深度学习方法的引入，脉冲深度学习成为新兴研究热点。传统脉冲神经网络框架致力于构建精细脉冲神经元并仿真生物神经系统，无法充分利用图形处理器的大规模并行计算能力，也缺乏对神经形态传感器和计算芯片的支持。
为了解决上述问题，中国科学院自动化研究所李国齐研究员与北京大学计算机学院田永鸿教授团队合作构建并开源了深度脉冲神经网络学习框架SpikingJelly（中文名：惊蜇）。“惊蜇”提供了全栈式的脉冲深度学习解决方案，支持神经形态数据处理、深度脉冲神经网络的构建、替代梯度训练等功能。相关论文于日前在《科学》子刊《科学进展》在线发表。
脉冲深度学习作为计算神经科学与深度学习的交叉学科，要求研究者同时掌握两个领域的知识体系，但实际情况是研究者可能只对一个领域有深度了解。“惊蜇”框架提供了简单易用的教程、活跃友善的讨论社区，也一并给出了常用的网络模型和训练脚本，研究者可以快速进行跨领域的学习和使用，通过寥寥数行代码轻松构建并训练深度脉冲神经网络。
研究者期望能够自由地定义和扩展新模型，仅需少量代码改动就对模型行为产生巨大改变。这一开发理念与“惊蜇”的设计哲学不谋而合，既为开发者降低了开发成本，也给用户提供了定义新模型的范例。
深度学习涉及大规模数据处理、大尺度模型训练，脉冲深度学习亦不例外，对计算资源的需求更高。与来自英特尔、时识科技、加州大学圣克鲁斯分校、海德堡大学、瑞典皇家理工学院等其他框架相比，“惊蜇”具有最快的仿真速度，比其他框架快11倍。
图片编辑：曹立媛
来源：作者：黄海华
联系客服
