访问官网
Github
文档
论文项目介绍：BindsNET
BindsNET是一个基于Python的包，用于在CPU或GPU上模拟尖峰神经网络（SNNs），并利用PyTorch的Tensor功能进行运算。这个库的设计初衷是为了开发践生物启发的算法，用于机器学习的应用。
项目背景
在神经科学中，神经元的尖峰顺序以及其相对时间对信息编码至关重要。Markram等人在1997年提出，神经元之间的突触应基于相对时间加强或减弱，即尖峰时序依赖性可塑性（STDP）。这一理论是基于Donald Hebb的学习理论，即“同时发火的神经元彼此连接”。
BindsNET模拟生物上合理的尖峰神经元动态，并通过STDP培训神经元网络以执行机器学习（ML）和强化学习（RL）任务。例如，ML任务可包括区分或分类输入数据，而RL任务则可能将一个SNN视作RL代理，其尖峰活动可转化为对环境的操作。
功能与应用
BindsNET不仅是一个理论研究的工具，也是实际应用程序开发的平台。通过该库，可以进行几种学习形式的实验：
- 无监督学习：学习全连接或卷积表示。
- 有监督学习：根据数据标签调整输出神经元以实现期望的尖峰行为。
- 强化学习：将Atari游戏（如《太空侵略者》）中的观察结果转化为对SNN的输入，并将网络活动转换为游戏中的行为。
安装指南
要安装BindsNET，用户可以选择使用pip安装最新的稳定版本：
pip install git+https://github.com/BindsNET/bindsnet.git
也可以从源代码构建项目，或者使用Docker进行安装与配置。
使用与示例
BindsNET提供了丰富的示例，用户可以通过执行示例脚本来快速上手。例如，可以通过以下命令运行一个特定论文中神经网络的近似复制：
cd examples/mnist
python eth_mnist.py
该命令支持一些可选参数，例如--plot用于显示监控图形，--n_neurons [int]设置模拟的神经元数量，以及--mode ['train' | 'test']用于设置网络操作模式。
性能与测试
为确保其高效运行，BindsNET进行了大量的测试，与其他库进行了基准比较。研究显示，BindsNET可以在不需要设置额外选项的情况下，充分利用系统硬件资源，从而为使用者提供最佳性能。
项目的重要性
BindsNET通过模拟尖峰神经网络，为生物启发的计算模型展示了其在机器学习和强化学习中的可能性。这不仅推动了计算神经科学的发展，也为神经网络的现实应用打开了新的大门。
参与者与版权
该项目的主要参与者包括Hava Siegelmann、Robert Kozma、Hananel Hazan等（分别为项目的发起者和核心维护者）。BindsNET采用GNU Affero通用公共许可证v3.0为协议。
通过BindsNET，研究人员和开发者不再仅限于传统的非生物神经网络建模，他们可以探索尖峰神经网络在计算、学习和记忆中的广泛应用。
