《表1 SNN算法在不同数据集上的表现》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《脉冲神经网络研究进展综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

应当指出的是，现有的直接训练算法在深层结构上的应用仍有待探索，与转换SNN或者ANN的发展现状之间依然存在一定的差距.这一方面是因为当前编程框架下SNN额外的时间维度将造成数倍于同规模ANN的训练显存需要，并且由于阈值激发特性与脉冲的稀疏性，当SNN趋于深层时可以预见的是仿真周期的延长，这将进一步提升对显存的需求；另一方面，深层网络训练的难点（例如梯度消失）在SNN结构中同样存在，而部分利于深度神经网络训练的技巧在SNN上进行简单移植时将破坏其保有的优势特征（例如批归一化手段可能造成SNN通信的脉冲形式无法得到保证）.这两点造成了深度训练算法的缺失，使得SNN无法在大规模数据集上获得足够令人信服的证据表现.因此未来一段时间内，高效深层SNN训练算法仍将是一块能够真正叩开深度学习社区大门的敲门砖.表1对SNN算法在不同数据集上的表现进行了总结.