STBP-simple是一个关于STBP方法的基于Pytorch的简单实现。

通过GitHub下载：

git clone git@github.com:thiswinex/STBP-simple.git

STBP方法的核心实现在 layers.py 中。model.py 给出了一些网络的实现示例。具体来说，如果有一个卷积层需要变为脉冲层：

conv = nn.Conv2d(...)

只需要使用layers.py 中提供的 tdLayer() 方法，在网络定义中额外添加一句：

conv_s = tdLayer(conv)

就可以把该层变为可以处理时空域数据（fc、pool层同理）。此外，再额外定义脉冲激活函数：

spike = LIFSpike()

并在forward()中将relu()等激活函数替换为spike()，把conv()等调用替换为conv_s()，便可以实现高度自定义化的脉冲层实现。

如果需要使用BN层：

bn = nn.BatchNorm2d(...)

那么需要将BN层替换为tdBN层：

bn = tdBatchNorm(...)
conv_s = tdLayer(conv, bn)

其余步骤同上。

如果使用的是普通数据集（MNIST、CIFAR10等），在数据输入网络前需要将输入往时间维度广播。example.py中给出了使用STBP方法在普通数据集上训练SNN的示例实现。脉冲数据集（N-MNIST等）不需要广播操作，但脉冲数据集往往体积庞大且需要预处理。example_dvs.py中给出了使用STBP方法在脉冲数据集上训练SNN的示例实现，dataset.py中则给出了预处理N-MNIST数据集的示例实现。

• Zheng, H., Wu, Y., Deng, L., Hu, Y., & Li, G. (2020). Going Deeper With Directly-Trained Larger Spiking Neural Networks. arXiv preprint arXiv:2011.05280.
• Wu, Y., Deng, L., Li, G., Zhu, J., Xie, Y., & Shi, L. (2019, July). Direct training for spiking neural networks: Faster, larger, better. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, pp. 1311-1318).
• Wu, Y., Deng, L., Li, G., Zhu, J., & Shi, L. (2018). Spatio-temporal backpropagation for training high-performance spiking neural networks. Frontiers in neuroscience, 12, 331.