Github
文档
论文Neural Circuit Policies 项目介绍
项目背景
Neural Circuit Policies（简称 NCPs）是一种稀疏循环神经网络，这一设计灵感来自于一种名为秀丽隐杆线虫（C. elegans）的生物神经系统。NCPs 的目标是为 PyTorch 和 Keras 用户提供一套简单易用的工具，让使用 NCPs 更为便捷。
核心功能
项目提供了两种主要的模型：液体时间常数（LTC）和闭式连续时间模型（CfC）。这两种模型可以作为 tf.keras.layers.Layer 或 torch.nn.Module 的循环神经网络层。
示例代码
下面的 Python 代码演示了如何使用 PyTorch 中的 CfC 模型：
import torch
from ncps.torch import CfC
# 创建 CfC RNN 层
rnn = CfC(20, 50) # 输入 20，隐藏单元 50
x = torch.randn(2, 3, 20) # (批次, 时间步长, 特征)
h0 = torch.zeros(2, 50) # 初始化隐藏状态
output, hn = rnn(x, h0)
项目的灵活性
NCPs 的独特之处在于其结构化的连接图，用户既可以使用预设的全连接模式（如 LSTM 和 GRU），也可以根据需要调整神经元的连接。利用 AutoNCP 模块，用户可以定义 NCPs 的结构，适用于更复杂和特定的应用场景。
示例代码
以 PyTorch 为例，结合结构化连接图的使用：
from ncps.torch import CfC, LTC
from ncps.wirings import AutoNCP
# 定义 NCPs 的连接方式
wiring = AutoNCP(28, 4) # 28 个神经元，4 个输出
input_size = 20
# 根据连接方式创建 RNN 层
rnn = CfC(input_size, wiring)
rnn = LTC(input_size, wiring)
适用平台
NCPs 项目不仅支持 PyTorch，还支持 TensorFlow。用户可以在 ncps.tf 模块中访问相应的绑定。
示例项目及实践
项目提供了一系列 Colab 笔记本，帮助用户深入了解如何使用该包。这些笔记本包括基础使用教程以及一些特定应用场景的示例，如处理不规则采样时间序列和与其他层结合使用等。
此外，项目还提供了一些端到端的使用示例，如复刻 Atari 游戏行为、Atari 强化学习和更多快速入门指南，非常适合初学者参考。
结语
通过 NCPs，用户可以利用类似生物神经网络的优势，构建高效且省资源的神经网络，对于需要可审计自动化的场景特别适用。项目的开源性质允许开发者基于此框架开发定制化解决方案，为神经网络研究和应用提供了一种新的可能性。
