Comments (46)
感谢您的建议!
框架的Monitor部分提供了网络平均发放率的监测方式,可以参考相应的教程。而类似的能耗估算需要相关芯片的具体数据,如IBM TrueNorth、Intel Loihi、SpiNNaker等都有不同的能耗特性,这在部分文献中也有提到。
from spikingjelly.
谢谢!
from spikingjelly.
您好!我升级到了最新的版本spikingjelly==0.0.0.4,尝试使用教程中的monitor,但是在导入包的时候出现错误。
报错为No module named '_C_neuron'。没有这个_C_neuron的包,我查看本机python下“\Lib\site-packages\spikingjelly\cext”文件夹下只有四个.py文件,没有_C_neuron,也没有文件夹csrc
from spikingjelly.
可参考 #46
from spikingjelly.
谢谢!
from spikingjelly.
谢谢!由于某些原因,我未能成功下载最新版的master压缩包。我本地电脑有去年12月份的master压缩包,我在spiking-master下执行命令“python setup.py install”,显示成功安装“spikingjelly==0.0.0.2”。但是运行程序时,依然存在“No module named '_C_neuron'”的错误。查看本地电脑\Lib\site-packages\下,也没有spikingjelly的文件夹。这是怎么回事呢?恳请指点一下,万分感谢!
from spikingjelly.
目前已经成功下载最近版本的master压缩包,在相应目录下打算运行“python setup.py install”, Microsoft Visual C++ 14.0当时还未安装完成,安装完成后再试试
from spikingjelly.
c_neuron是个共性的问题,稍后我们会更新相关代码和readme,届时会在此issue通知你。
from spikingjelly.
from spikingjelly.
可以试一下刚更新的代码,另外有GPU和CUDA的机器安装会容易一些
from spikingjelly.
from spikingjelly.
另外,由于某种原因,我这里无法使用git clone https://github.com/fangwei123456/spikingjelly.git这种方式安装。
我是将那个master包下载下来了,然后在命令行里运行的python setup.py install,应该效果是一样的吧?
from spikingjelly.
对,应该是一样的
from spikingjelly.
from spikingjelly.
更新了readme。在没有CUDA的机器上安装,是不会编译CUDA扩展的。
from spikingjelly.
安装报错,具体报错信息是什么?
from spikingjelly.
from spikingjelly.
from spikingjelly.
from spikingjelly.
from spikingjelly.
看一下环境变量的path中是否有类似的路径:
C:\Program Files (x86)\Microsoft Visual Studio\2019\BuildTools\VC\Tools\MSVC\14.28.29333\bin\Hostx64\x64
这个是cl.exe所在的目录
from spikingjelly.
from spikingjelly.
我的机器中有多个cl.exe文件,不太清楚放哪个进去可以。但都在bin文件夹下,所以我直接将bin文件夹放到环境变量中去。
这个是目前的报错情况,看来是要安装GCC。不过我目前的机器是Windows,是不是要解决这个问题还比较困难?
from spikingjelly.
应该不需要GCC。建议试一下先用conda装一个pytorch的虚拟环境,然后在虚拟环境中尝试。conda中的pytorch比pip的好一些。windows下是可以编译CUDA扩展的,而且不需要GCC,我这样做是成功的。
如果你不需要CUDA扩展,可以直接用这个setup.py:
https://github.com/fangwei123456/spikingjelly/blob/c61ee0611899c32d59f32b15a9ea07a1516d9fa0/setup.py
from spikingjelly.
from spikingjelly.
conda环境下安装仍然失败的话,麻烦在此issue中回复一下报错的信息。
from spikingjelly.
from spikingjelly.
由于实验室网速慢+重新配置环境耗时较长(对我而言。。。)我使用本台机器中的虚拟机(环境为:Ubuntu+anaconda3+python3.8+pytorch1.7.1+cpu)可以正常使用“python setup.py install”
from spikingjelly.
linux配环境确实比windows方便多了。windows下conda环境下安装的结果如何?
from spikingjelly.
不怕大佬笑话,我当时Windows下装conda+pytorch+cuda+cudnn费了九牛二虎之力也没整明白,后来卸载了conda又花了很久安装仅仅安装python3.6.6+pytorch-gpu+cuda+cudnn。没敢把目前的环境给卸载,怕装不回去
from spikingjelly.
windows下装cuda和cudnn确实麻烦,那就先这样用吧
from spikingjelly.
谢谢!
关于脉冲平均发放率的问题,为什么第2层就不行呢?明明第1层和第3层的平均发放率都是有的呀?
from spikingjelly.
第二层是FC,不是神经元,发放率只对神经元层才有定义
from spikingjelly.
啊!谢谢大佬指点!
from spikingjelly.
你好!对于教程中的网络结构,脉冲平均发放数量是不是(784+100+10)*0.2655=237.357?
那么平均每秒大概发放多少次呢?就是最一开始的问题,如果这个模拟环境是真实硬件的话,每秒大概多少次脉冲该如何计算呢?
from spikingjelly.
计算的是总能耗而非功率,因此一般只考虑发放的脉冲总数,发放间隔并不十分重要。可以参考DIET-SNN的计算方式。
from spikingjelly.
from spikingjelly.
from spikingjelly.
你好,我想请教一下,当网络结构是这种的时候,module_name是什么呢?我尝试了1,2,3,4和static_conv、conv,好像都不太好使。
from spikingjelly.
你好!DIET-SNN文章中的spikerate和教程中的平均发放率是同一回事嘛?我发现无论我怎么调整神经元的参数,步长的大小,都无法使平均发放率超过1,最多稳定在0.5左右(无论是IF还是LIF神经元)。而DIET-SNN文章表示它在VGG的类似结构中,发放率稳定在1.6,也就是整个训练过程中每个神经元平均发放1.6次。 所以,DIET-SNN文章中的spikerate和spikingjelly中的平均发放率不是同一回事吗?
…
------------------ 原始邮件 ------------------ 发件人: @.>; 发送时间: 2021年3月30日(星期二) 下午4:58 收件人: @.>; 抄送: @.>; "State @.>; 主题: Re: [fangwei123456/spikingjelly] 有没有办法估算脉冲平均发放频率呢? (#59) 计算的是总能耗而非功率,因此一般只考虑发放的脉冲总数,发放间隔并不十分重要。可以参考DIET-SNN的计算方式。 — You are receiving this because you modified the open/close state. Reply to this email directly, view it on GitHub, or unsubscribe.
现行文章中关于平均发放率实际上有两种不同的计算方式
#Spike / #Neuron
#Spike / (#Neuron * T)
SpikingJelly使用的是后者,因为前者更适合被称为Avg Spike Times
from spikingjelly.
你好,我想请教一下,当网络结构是这种的时候,module_name是什么呢?我尝试了1,2,3,4和static_conv、conv,好像都不太好使。
关于模块命名,如文档所说请参见PyTorch的命名方式。
from spikingjelly.
from spikingjelly.
from spikingjelly.
现行文章中关于平均发放率实际上有两种不同的计算方式
#Spike / #Neuron
#Spike / (#Neuron * T)
SpikingJelly使用的是后者,因为前者更适合被称为Avg Spike Times。
关于这一段表述,其中的“T”是指训练过程中全部的推理时间,还是仅仅是训练步长呢(如下图中的T=8)?
from spikingjelly.
关于这一段表述,其中的“T”是指训练过程中全部的推理时间,还是仅仅是训练步长呢(如下图中的T=8)?
全部的推理时间指的是?对于单个神经元而言,T指的就是仿真步长。
from spikingjelly.
from spikingjelly.
Related Issues (20)
- 关于利用STDP优化器与梯度下降混合使用无法分类的问题 HOT 7
- Question on the input encoding in SNN vs SCNN HOT 3
- DVS CIFA准确率问题 HOT 4
- 请问框架中的tdBN方法是还没有完成吗? HOT 7
- PyTorch DDP 无法使用 SyncBatchNorm,疑似因为多步模式下 C 与 N 维度互换 HOT 2
- 请问转换后的基于torch.fx的模型可以进行训练吗 HOT 2
- 自定义神经元参数不更新 HOT 2
- 请教关于“事件驱动”和“时间驱动”的问题 HOT 3
- 关于新神经元模型SRM的开发请求
- Compatibility with the latest NumPy version 1.24 which removes "numpy.int" entry HOT 4
- 运行结果出错 HOT 1
- 如何实现TTFS的神经元 HOT 17
- Is it possible to use the raw event stream (Neuromorphic dataset) to train an SNN model without using frame reconstruction? HOT 1
- 关于ann2snn中snn结构及各个参数的问题
- ann2snn转换结果理解问题 HOT 1
- AssertionError: CuPy is not installed!问题 HOT 11
- ann2cnn转换报错 HOT 7
- 多步训练时Tensor维度消失问题 HOT 5
- ann2snn后测试时准确率出现明显的先升后降 HOT 1
- 使用visualizing.plot_one_neuron_v_s绘图时,电压未达到阈值就释放脉冲 HOT 2
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from spikingjelly.