面向神经形态硬件的脉冲深度网络训练
神经与进化计算
2016-11-17 v1 机器学习
摘要
我们描述了一种训练脉冲深度网络的方法，该网络可使用泄漏积分-发放（LIF）神经元运行，在包括大型 ImageNet ILSVRC-2012 基准在内的五个数据集上取得了脉冲 LIF 网络的最新结果。我们将深度人工神经网络转换为脉冲网络的方法具有可扩展性，并适用于多种神经非线性。我们通过软化神经响应函数使其导数保持有界，并通过向网络注入噪声进行训练以提供对脉冲引入变异性的鲁棒性，从而取得这些结果。我们的分析表明，这些网络在神经形态硬件上的实现将比传统硬件上等效的非脉冲网络节能许多倍。
引用
@article{arxiv.1611.05141,
title = {Training Spiking Deep Networks for Neuromorphic Hardware},
author = {Eric Hunsberger and Chris Eliasmith},
journal= {arXiv preprint arXiv:1611.05141},
year = {2016}
}
备注
10 pages, 3 figures, 4 tables; the "methods" section of this article draws heavily on arXiv:1510.08829