Loading...
机构名称:
¥ 1.0

尖峰神经网络(SNN)在推理过程中在功耗和事件驱动的属性方面具有显着优势。为了充分利用低功耗并提高了这些模型的效率,已经探索了修剪方法,以找到稀疏的SNN,而无需在训练后没有冗余连接。但是,参数冗余仍然会阻碍训练过程中SNN的效率。在人脑中,神经网络的重新布线过程是高度动态的,而突触连接在脑部消除过程中保持相对较少。受到此启发,我们在这里提出了一个名为ESL-SNNS的SNN的有效进化结构学习(ESL)框架,以实现从头开始实施稀疏的SNN训练。SNN中突触连接的修剪和再生在学习过程中动态发展,但将结构稀疏保持在一定水平。因此,ESL-SNN可以通过在时间上列出所有可能的参数来搜索最佳的稀疏连接。我们的实验表明,所提出的ESL-SNNS框架能够有效地学习稀疏结构的SNN,同时降低有限的精度。ESL-SNN仅达到0。在DVS-CIFAR10数据集上具有10%连接密度的28%抗性损失。我们的工作提出了一种全新的方法,可以通过生物学上合理的进化机制对SNN进行稀疏训练,从而缩小了稀疏训练和密集培训之间的明确攻击差距。因此,它具有SNN轻量级训练和低功耗和少量记忆使用情况的巨大潜力。

ESL-SNNS:尖峰神经网络的进化结构学习策略

ESL-SNNS:尖峰神经网络的进化结构学习策略PDF文件第1页

ESL-SNNS:尖峰神经网络的进化结构学习策略PDF文件第2页

ESL-SNNS:尖峰神经网络的进化结构学习策略PDF文件第3页

ESL-SNNS:尖峰神经网络的进化结构学习策略PDF文件第4页

ESL-SNNS:尖峰神经网络的进化结构学习策略PDF文件第5页

相关文件推荐