文档摘要

4.2 替代梯度：让不可导的脉冲可训练 本节摘要：替代梯度（surrogate gradient）用一处"作弊"解锁了 SNN 的监督训练：前向传播用真实的阈值发放，反向传播用一个平滑函数代替阈值的导数。配合时间维度的 BPTT，SNN 在静态与事件数据集上的精度追平了同规模 ANN。本节讲清这不对称为什么合法、梯度函数怎么选、训练的显存代价怎么控。 STDP 的局部性令人赞叹，但要逼近深度学习的精度，监督信号绕不开。4. 会员。《4.2 替代梯度：让不可导的脉冲可训练》收录于灏天文库文集《神经形态计算 (Neuromorphic Computing)》，原作者/来源：灏天文库，整理自「灏天文库」，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。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/661-%E7%A5%9E%E7%BB%8F%E5%BD%A2%E6%80%81%E8%AE%A1%E7%AE%97-neuromorphic-computing

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流