从一个问题开始

一个神经元，
为什么要记住过去？

普通神经网络把输入映射成输出；脉冲神经元还要携带上一时刻的状态。先观察膜电位怎样积累、泄漏与发放，再进入公式。

按顺序开始自由实验

膜电位实验V[t] = βV[t−1] + I[t]

输入电流 I0.32记忆系数 β0.82

当前产生 3 次 spike。先改变 β，再观察过去输入保留了多久。

12 个递进章节7 个可操作实验630 分钟核心路径23 篇核验论文

01

学习路径

每章都从直觉进入数学，再落到代码、实验、误区与研究连接。

ANN vs SNN

从一次映射到状态随时间演化

ANN 神经元通常对一批输入做一次加权求和，再通过连续激活函数输出一个数。SNN 神经元则保留内部状态：同一输入在不同时间到达，会得到不同结果。35 min 02

IF / LIF 神经元

积分、泄漏、阈值、发放与重置

把膜电位想成一只有漏孔的杯子：输入电流向杯中加水，leak 持续排水；水位越过阈值就产生 spike，随后水位被重置。60 min 03

Temporal Dynamics

沿时间步执行一次真正的前向传播

SNN 的一次 forward 不是只穿过网络深度，还要沿时间轴重复更新。每一步都读取本步输入与上一步状态。45 min 04

Spike Encoding

数值怎样进入时间域

Rate coding 用观察窗内 spike 数量表达强度；temporal coding 用发放时刻表达信息。前者冗余而稳健，后者稀疏且低延迟但对时序噪声更敏感。45 min 05

Surrogate Gradient

前向是真 spike，反向借一座可导的桥

Heaviside 在阈值外导数为 0，在阈值处不可导。直接交给梯度下降，权重几乎收不到有用信号。55 min 06

BPTT

把状态沿时间展开，再反向穿越

把同一个 LIF 单元在 t₀、t₁、t₂、t₃ 复制展开，复制体共享权重，状态边把它们串起来。Loss 可以从最后或所有时间步产生。60 min 07

实现第一个 SNN

从手写 LIF 到可训练分类器

训练循环的骨架与普通 PyTorch 类似：数据、前向、损失、backward、optimizer。差异集中在时间循环、状态初始化、spike 读出和 surrogate backward。75 min 08

Convolutional SNN

空间卷积与时间状态同时存在

Conv 提取每个时间步的空间局部特征，LIF 在同一空间位置上沿时间积累。典型模块是 Conv → Norm → LIF。45 min 09

Event Camera × SNN

异步亮度变化与脉冲计算的契合边界

事件相机不定时输出整张图，而是像素在对数亮度变化越过阈值时产生事件 e=(x,y,t,p)。p 表示变亮或变暗。60 min 10

ANN-to-SNN Conversion

把连续激活映射为发放率

先训练 ANN，再让 SNN 在一段时间内用 spike count 逼近 ReLU 激活。时间越长，rate 近似通常越细，但延迟也越大。45 min 11

Modern Deep SNN

ResNet 与 Transformer 如何获得脉冲语义

现代 SNN 借鉴 ANN 的宏观骨架，但必须重新考虑 spike 激活的位置、残差相加后的值域、时序状态和 attention 中的乘法。55 min 12

Efficiency & Neuromorphic

能效优势成立需要哪些条件

SNN 的潜力来自稀疏事件、加法式突触累加和局部状态。但在普通 GPU 上，时间循环、稠密张量和 BPTT 可能让它比 ANN 更慢、更耗显存。50 min

02

实验室

参数变化立即反馈。先做预测，再移动滑块，而不是把图表当装饰。

01Spike Train 02LIF Simulator 03Spike Encoding 04Surrogate 05BPTT 06ANN vs SNN 07Event Camera

03

读论文之前

课程把“理论正确”“训练可行”“硬件高效”拆开讨论。

Forward ≠ Backward

Surrogate gradient 的核心是前向仍发放真实 spike，反向才使用局部替代导数。

Event Camera ≠ SNN

事件流可进入 SNN，也可聚合成 event frame、voxel grid 后交给 CNN 或 Transformer。

Ops ≠ Energy

稀疏 AC 的理论优势只有在实际执行跳过零值、减少数据移动时才可能兑现。

浏览已核验论文库进入完整代码实验