Skip to content

示例库

examples/ 目录包含生产级质量的脚本，演示了 btorch 的核心模式。本页面对每个示例进行了注解，并链接到相关的测试和 API 文档。

rsnn.py — 最小化 RSNN

一个自包含的循环脉冲神经网络演示，使用 GLIF3、AlphaPSC 和 RecurrentNN。它包含模拟循环（带光栅图生成）和虚拟训练循环。

关键模式： - functional.init_net_state 和 functional.reset_net - environ.context(dt=1.0) - 用于状态记录的 update_state_names - btorch.visualisation 中的 plot_raster 和 plot_neuron_traces

另请参阅： - 教程 1：构建 RSNN - 教程 2：训练 SNN

rsnn_brain.py — 脑-环境交互

扩展了基础 RSNN，增加了脑-环境交互网络。演示了感觉运动任务中的 NeuronEmbedMapLayer 和 DetectionWindow。

关键模式： - 神经元空间之间的嵌入映射 - 基于脉冲的事件检测窗口 - RecurrentNN 之外的多模块组合

fmnist.py — Fashion-MNIST 训练（纯 PyTorch）

使用基于 GLIF3 的 RSNN 进行 Fashion-MNIST 分类的完整训练流程，包含稀疏循环连接和电压正则化。

关键模式： - 用于稀疏循环权重的 SparseConn - 具有异构时间常数的 AlphaPSCBilleh 突触 - 用于膜电压正则化的 VoltageRegularizer - 每批次手动调用 reset_net 的训练循环 - 与 state_dict() 一起保存 memories_rv

另请参阅： - 教程 2：训练 SNN - API: btorch.models.regularizer

fmnist_lightning.py — PyTorch Lightning 集成

将相同的 Fashion-MNIST 模型重构为 PyTorch Lightning LightningModule。展示了 btorch 状态管理如何融入 Lightning 训练生命周期。

关键模式： - 带 reset_net 的 Lightning training_step - 用于神经元参数缩放的 scale_net / unscale_net - 带状态记录的验证循环

delayed_synapse_demo.py — 突触延迟

演示使用 SpikeHistory 和 DelayedSynapse 实现异构突触延迟。

关键模式： - 作为滚动脉冲缓冲区的 SpikeHistory - 用于历史记录 + 线性变换的 DelayedSynapse - 用于延迟感知连接矩阵的 expand_conn_for_delays

另请参阅： - API: btorch.models.history - 测试: tests/connectome/test_delay_expansion.py

测试即示例

许多 tests/ 文件包含简洁、经过验证的使用模式，非常适合作为文档：

  • tests/models/test_mem_load_save.py — 检查点和状态恢复
  • tests/models/test_compile.py — 带 dt 上下文的 torch.compile
  • tests/utils/test_conf.py — OmegaConf 模式
  • tests/visualisation/*.py — 几乎每个绘图函数

提示： 将测试代码改编为文档时，将 fig_path / save_fig 调用替换为标准 matplotlib 模式（例如 plt.show() 或返回图形对象）。