脉冲神经网络SNN的简介

神经网络经历漫长的发展，目前总共有三代，它们分别是：

第一代神经网络：
McCulloch–Pitt感知机，它执行阈值运算并输出数字（1，0）。
第二代神经网络：
基于sigmoid单元或修正线性单元（ReLU）增加了连续非线性，使其能够计算一组连续的输出值。第二代神经网络也是目前使用的最广泛的网络算法，例如VGG16，ResNet等等的DNN都是第二代网络。
第三代神经网络：‘
主要使用“整合放电”（integrate-and-fire）型尖峰神经元，通过脉冲交换信息，因此称为脉冲神经网络（SNN）。第二代和第三代神经网络之间最大的区别在于信息处理性质。第二代神经网络使用了实值计算(real-value)（例如，信号振幅），而SNN则使用信号的时间（脉冲）处理信息。SNNs中的神经元单元只有在接收或发出尖峰信号时才处于活跃状态，因此它是事件驱动型的，因此可以使其节省能耗。

同传统的人工神经网络一样，脉冲神经网络同样分为三种拓扑结构。它们分别是前馈型脉冲神经网络、递归型脉冲神经网络，和混合型脉冲神经网络。

SNNs最大的优势在于其能够充分利用基于时空事件的信息。今天，我们有相当成熟的神经形态传感器，来记录环境实时的动态改变。这些动态感官数据可以与SNNs的时间处理能力相结合，以实现超低能耗的计算。实际上，与传统上DLNs使用的帧驱动（frame-driven）的方法相比，SNNs将时间作为附加的输入维度，以稀疏的方式记录了有价值的信息，从而实现高效的SNNs框架，并通过计算视觉光流或立体视觉来实现深度感知。

但是，SNNs目前主要受限于缺乏适当的训练、学习的算法。脉冲神经网络的学习方式主要包括无监督学习（unsupervised learning）、监督学习（supervised learning）和强化学习（reinforcement learning）等，这些方式在下一次具体介绍。

此外，SNN还受限于基于脉冲的数据可用性，虽然理想情况要求SNNs的输入是带有时间信息的序列，但SNNs训练算法的识别性能是在现有静态图像的数据集上进行评估的，例如CIFAR或ImageNet，缺乏动态的数据集。

SNN是广阔的蓝海领域，拥有很大的潜力与价值，相信在今后不断的研究中，SNN会不断在实际应用中崭露头角。