T2FSNN：采用首脉冲时刻编码的深度脉冲神经网络
神经与进化计算
2020-03-27 v1 机器学习
机器学习
摘要
脉冲神经网络（SNN）因其高能效特性而受到相当关注，但缺乏可扩展的训练算法限制了它们在实际机器学习问题中的适用性。为拓宽SNN的适用性，深度神经网络到SNN的转换方法已被广泛研究。然而，大多数先前研究未充分利用SNN的时空特性，导致在脉冲数量和推理延迟方面效率低下。本文中，我们提出T2FSNN，其利用基于核的动态阈值和树突将首脉冲时刻（time-to-first-spike）编码概念引入深度SNN，以克服上述缺陷。此外，我们提出基于梯度的优化和早发放方法，以进一步提高T2FSNN的效率。根据我们的结果，与突发（burst）编码（CIFAR-100上的最优结果）相比，所提方法可将推理延迟和脉冲数量分别减少至22%和低于1%。
引用
@article{arxiv.2003.11741,
title = {T2FSNN: Deep Spiking Neural Networks with Time-to-first-spike Coding},
author = {Seongsik Park and Seijoon Kim and Byunggook Na and Sungroh Yoon},
journal= {arXiv preprint arXiv:2003.11741},
year = {2020}
}
备注
Accepted to DAC 2020