pytorch搭载snn

### 实现脉冲神经网络(SNN)于PyTorch

在探索Graph Neural Networks, Memory Networks以及Hierarchical Graph Representation Learning的同时，对于Spiking Neural Networks (SNNs), 这一领域也逐渐受到关注[^1]。然而，在提及的具体参考资料中并未直接涉及关于SNN的内容。

为了实现在PyTorch中的SNN模型构建，通常会借助额外库的支持，比如`sinabs`, `spike-torch`或是`torch-neuromorphic`等专门针对SNN设计的工具包。这些库提供了必要的组件来模拟生物神经系统的行为特性，如突触传递延迟、膜电位变化规律等现象。

#### 安装依赖项
首先安装所需的第三方扩展库之一作为例子：

pip install sinabs

#### 创建简单的SNN层结构
下面展示了一个基于Sinabs创建单层LIF(Leaky Integrate-and-Fire)神经元的例子:

import torch
from sinabs.layers import LIFRecurrent

lif_layer = LIFRecurrent(
    spike_threshold=1.0,
    tau_mem=20e-3,
    norm_input=True
)

input_spikes = torch.rand((1, 10)) > 0.8  # 随机生成输入脉冲序列
output_spike_train = lif_layer(input_spikes.float())
print(output_spike_train)

此代码片段定义了一组具有特定阈值和时间常数参数设置的循环连接型LIF单元，并对其施加随机产生的二进制形式刺激信号以观察响应情况。

通过上述方法可以在PyTorch框架下快速搭建起基础版本的SNN架构并开展实验研究工作；当然实际应用过程中还需要考虑更多因素，例如不同类型的编码方式、解码策略的选择等等。