机器学习 | 脉冲神经网络(Spiking Neural Network)基础知识扫盲
机器学习机器学习 | 脉冲神经网络(Spiking Neural Network)基础知识扫盲机器学习TerminologySparsityIF (Integrated-and-Fire Neuron Model)SNN (Spiking Neural Network)概念参考链接TerminologySNN (Spiking Neural Network)To be Continued …Las
·
机器学习
机器学习 | 脉冲神经网络(Spiking Neural Network)基础知识扫盲
To be Continued …
Last Modified Date: 2021/12/28
Terminology
此处扫盲各种术语
Sparsity
稀疏性
1是压缩感知的前提,主要指空元素所占比重较大的情形,通常用向量或矩阵中设置为 0 的元素数除以该向量或矩阵的条目总数。
在矩阵
中:
- 若数值为 0 的元素数目远多于非 0 元素的数目时,则称该矩阵为
稀疏矩阵
。 - 与之对应即非 0 元素占大多数时,该矩阵为
稠密矩阵
。
在信号
中:
- 若信号是
稀疏
的,这表示信号中有许多 0 元素,这种情况下,信息是可以被压缩的,只需找到非零元素就能处理问题。
但现实中信号本身并不是稀疏的,经过一个变换后,大多是一组基上面的稀疏,即信号的稀疏表示
。
除此之外,还有特征稀疏性
2 和 模型稀疏性
3 两种,其中特征稀疏性
是指特征向量
的稀疏性,模型稀疏性
则是指模型权重
的稀疏性。
IF (Integrated-and-Fire Neuron Model)
IF Neuron Model的概念三言两语无法介绍清楚,请参考以下链接🔗
神经元的放电模型。
SNN (Spiking Neural Network)
概念
SNN的概念三言两语无法介绍清楚,请参考以下链接🔗
Spiking Neural Network简述
参考链接
Terminology
SNN (Spiking Neural Network)
更多推荐
已为社区贡献2条内容
所有评论(0)