SLAYER：时间上的脉冲层误差重分配

配置深度脉冲神经网络（SNNs）是基于低功耗脉冲事件计算的一条令人振奋的研究途径。然而，脉冲生成函数不可微，因此不能直接兼容标准误差反向传播算法。在本文中，我们引入一种新的通用反向传播机制，用于学习突触权重和轴突延迟，它克服了脉冲函数不可微的问题，并使用时间信用分配策略将误差反向传播到前层。我们描述并发布了一个我们方法的 GPU 加速软件实现，该实现允许训练全连接和卷积神经网络（CNN）架构。使用我们的软件，我们将我们的方法与现有的基于 SNN 的学习方法以及标准 ANN 到 SNN 转换技术进行比较，并表明我们的方法在 MNIST、NMNIST、DVS Gesture 和 TIDIGITS 数据集上实现了 SNN 的 state of the art 性能。