brainpy-largescale 0.1.0

brainpy-largescale depends on brainpy

brainpy-largescale

安装

pip install brainpy-largescale

引入库

import brainpy as bp
import bpl

创建神经元簇

用简单但最典型的神经元模型 Leaky Integrate-and-Fire (LIF) 模型来构建兴奋性和抑制性神经元组

a = bpl.LIF(
  200,
  V_rest=-60.,
  V_th=-50.,
  V_reset=-60.,
  tau=20.,
  tau_ref=5.)
b = bpl.LIF(
  100,
  V_rest=-60.,
  V_th=-50.,
  V_reset=-60.,
  tau=20.,
  tau_ref=5.)

创建突触

在定义 LIF 神经元组时，可以根据用户的需要调整参数。第一个参数表示神经元的数量。这里兴奋性和抑制性神经元的比例设置为 4:1。 V_rest 表示静息电位，V_th 表示触发阈值，V_reset 表示触发后的复位值，tau 为时间常数，tau_ref 为不应期的持续时间。方法是指在模拟中使用的数值积分方法。 那么这两组之间的突触连接可以定义如下：

d = bpl.Exponential(
  a,
  b,
  bp.conn.FixedProb(0.04, seed=123),
  g_max=1.0,
  tau=8.0，
  delay_step=1)

在这里，我们使用指数突触模型 (bpl.Exponential) 来模拟突触连接。在模型的参数中，前两个分别表示突触前和突触后神经元组。第三个是指连接类型。在此示例中，我们使用 bp.conn.FixedProb，它以给定的概率将突触前神经元连接到突触后神经元（详细信息可在 Synaptic Connection 中获得）。以下三个参数描述了突触的动态特性，最后一个是 LIF 模型中的数值积分方法。

构建网络

定义完所有组件后，就可以组合成一个网络：

net = bpl.respa.Network(a, b, d)
net.build()

增加输入

增加电流输入

inputs = bpl.input_transform([(a, 20)])

增加脉冲监测

monitor_spike = bpl.monitor_transform([a], attr='spike')

增加电压监测

monitor_volt = bpl.monitor_transform([a], attr='V')

脉冲和电压监测合并到一个字典中：

monitors = {}
monitors.update(monitor_spike)
monitors.update(monitor_volt)

增加脉冲和电压回调函数

def spike(a: List[Tuple[int, float]]):
  print(a)

def volt(a: List[Tuple[int, float, float]]):
  # print(a)
  pass

运行网络

构建 SNN 后，我们可以将其用于动态模拟。要运行模拟，我们需要先将网络模型包装到运行器中,用户可以按如下方式初始DSRunner：

runner = bpl.DSRunner(
  net,
  monitors=monitors,
  inputs=inputs,
  jit=False,
  spike_callback=spike,
  volt_callback=volt,
)
runner.run(10.)

其中调用函数接收模拟时间（通常以毫秒为单位）作为输入。

##　可视化

import matplotlib.pyplot as plt

if 'spike' in runner.mon:
  bp.visualize.raster_plot(runner.mon.ts, runner.mon['spike'], show=True)

What is brainpy-largescale?

Run BrainPy in multiple processes.

brainpy-largescale depends on BrainPy and brainpy-lib, use the following instructions to install brainpy package.

License

Apache License, Version 2.0