文档摘要

4.3.3 直接训练：基于替代梯度 (Surrogate Gradient) 的反向传播 4.3.3 直接训练：基于替代梯度 (Surrogate Gradient) 的反向传播 想象一下，你正驾驶一辆精密的神经网络“赛车”，在脉冲神经网络（SNN）的赛道上疾驰。传统CNN或RNN的梯度如顺滑的沥青公路，让反向传播（BP）轻松流动。但SNN的赛道上，到处是Heaviside阶跃函数形成的“悬崖峭壁”——脉冲发放瞬间，梯度戛然而止为零。 会员。《4.3.3 直接训练：基于替代梯度 (Surrogate Gradient) 的反向传播》收录于灏天文库文集《神经形态计算 (Neuromorphic Computing)》，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---