先建立一个能用的直觉
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。
它到底解决了什么麻烦
只有亲手管理状态与时间维，才能辨认框架 API 隐藏了哪些假设。
Math · 不背公式，顺着计算读
每张卡先讲人话，再拆符号、走计算顺序，最后代入一组数。读完后请合上说明，自己复算一次。
每个类别对应一个输出神经元；把整个时间窗的 spike 数起来，发放最多的类别作为预测。
符号分别是谁
- Sc[t]
- 类别 c 的输出神经元在第 t 步是否发放
- Σt Sc[t]
- 类别 c 的总 spike count
- argmaxc
- 在所有类别中选 count 最大者
按这个顺序计算
- 沿时间维求和，得到每个类别的 count。
- 保留每个样本的类别向量。
- 推理时对类别维做 argmax。
代入一组数
三类 count 为 [2,7,4]，预测类别 1。训练时把 [2,7,4] 当 logits 算 loss，不要先 argmax。
落到代码就是
logits = spike_record.sum(dim=0)
loss = F.cross_entropy(logits, labels)不等到序列末尾才监督，而是每一步都用输出膜电位算一次交叉熵，再取平均。这样早期时间步也直接收到学习信号。
符号分别是谁
- Uout[t]
- 第 t 步输出层膜电位或连续读出
- y
- 真实类别标签
- CE
- 交叉熵损失
- 1/T
- 取平均，避免仅因增加时间步就放大 loss
按这个顺序计算
- 每一步保存输出膜电位。
- 分别与同一标签计算 CE。
- 把 T 个 loss 相加并除以 T。
代入一组数
四步 CE 为 [1.2,0.9,0.7,0.6]，则 L=(1.2+0.9+0.7+0.6)/4=0.85。
落到代码就是
loss = torch.stack([F.cross_entropy(u, y) for u in volts]).mean()把几个容易混的概念拆开
State reset
每个 batch 开始创建零状态，或明确处理跨片段的 stateful 训练。
Readout
可用 spike count、末步膜电位、时间平均膜电位；选择必须与损失对应。
跟着机制一步一步走
01
一个可复现训练实验至少记录什么？
除了 test accuracy，还要保存随机种子、T、β、阈值、reset、编码、输出读出、每层 spike rate、训练耗时和峰值显存。否则很难判断提升来自网络还是更高的仿真成本。
- 先在很小数据子集上过拟合，验证梯度真的工作。
- 再跑单 batch trace，检查膜电位与 spike 是否饱和。
- 最后才进行完整训练与超参数扫描。
02
输出层一定要发 spike 吗？
不一定。可用 spike count，也可使用输出膜电位作为 logits。前者保持脉冲读出，后者常带来更直接的监督；需要在报告中说明。
公式在代码里对应哪一行
for images, labels in train_loader:
images, labels = images.to(device), labels.to(device)
mem1 = torch.zeros(images.size(0), 256, device=device)
mem2 = torch.zeros(images.size(0), 10, device=device)
spk_out = []
for _ in range(num_steps):
cur1 = fc1(images.flatten(1))
spk1, mem1 = lif1(cur1, mem1)
spk2, mem2 = lif2(fc2(spk1), mem2)
spk_out.append(spk2)
logits = torch.stack(spk_out).sum(0)
loss = F.cross_entropy(logits, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()先写下预测，再动参数
在 Code Lab 按数据→编码→网络→前向→损失→更新逐段阅读；先把 num_steps 改为 1，再解释行为变化。
我最常见到的误解
对 spike 做 argmax 后再算 loss。argmax 会截断梯度；应对 spike count 或膜电位 logits 计算可导损失。
到了论文里，它会怎么出现
snnTorch 与 SpikingJelly 提供神经元、surrogate、multi-step 模式和数据集工具；先掌握手写版本再使用。
别急着翻页，先验算一下
本章检测0/3 已作答