4.3.3.2 时序反向传播 (BPTT) 在 SNN 中的应用

文档摘要

4.3.3.2 时序反向传播 (BPTT) 在 SNN 中的应用 4.3.3.2 时序反向传播 (BPTT) 在 SNN 中的应用想象一下，你正调试一个SNN模型，输入是MNIST数据集的时序脉冲序列，前向传播一切顺畅：神经元精准放电，准确率稳步爬升。可一到反向传播，梯度图就一片狼藉——要么瞬间爆炸，NaN满天飞；要么悄无声息地消失，参数纹丝不动。熟悉吗？这不是巧合，而是BPTT在SNN中的经典痛点：脉冲函数的不可导性，像一道无形的防火墙，挡住了标准梯度的洪流。作为一个鏖战过无数SNN训练循环的实战工程师，我见过太多团队在这里栽跟头。今天，我们直击这个核心问题，聚焦代理梯度（Surrogate Gradient）在BPTT中的自定义实现与梯度爆炸排查。