资源受限硬件上脉冲神经网络的压缩与推理
计算机视觉与模式识别
2025-11-18 v1
摘要
脉冲神经网络（SNN）通过时间而非连续激活进行通信，其事件驱动特性为时间序列处理和资源受限硬件上的能源效率提供了优势，但训练和部署仍具有挑战性。我们提出一种基于 C 语言的轻量级运行时，用于边缘设备上的 SNN 推理，并通过不牺牲精度的优化减少延迟和内存占用。从 SNNTorch 训练的模型被翻译为紧凑的 C 表示；静态、缓存友好的数据布局和预分配避免解释器和分配开销。我们进一步利用稀疏脉冲活动修剪不活跃的神经元和突触，缩小上游卷积层的计算量。在 N-MNIST 和 ST-MNIST 实验中，展现出与 Python 基准等价的功能，同时在桌面 CPU 上实现约 10 倍加速，修剪后还能获得额外收益，并实现大规模内存降低，使微控制器（如 Arduino Portenta H7）部署成为可能。结果表明，在优化运行时和脉冲驱动模型压缩配合下，SNN 可在常规嵌入式平台上高效执行。代码: https://github.com/karol-jurzec/snn-generator/
引用
@article{arxiv.2511.12136,
title = {Compression and Inference of Spiking Neural Networks on Resource-Constrained Hardware},
author = {Karol C. Jurzec and Tomasz Szydlo and Maciej Wielgosz},
journal= {arXiv preprint arXiv:2511.12136},
year = {2025}
}
备注
6 pages, 6 figures, 1 table; code available at https://github.com/karol-jurzec/snn-generator/