Лабораторная работа: Спайковая нейронная сеть с функцией активации нейрона Lif

СОДЕРЖАНИЕ
Введение
1. Описание работы алгоритма
2. Библиотеки Python
3. Работа с дата-сетами
4. Ключевые формулы и алгоритмы
5. Отчет работы программы
Заключение
Список использованной литературы
ПРИЛОЖЕНИЕ 1 Код программы




















Введение
Программа на Python с использование PyTorch должна содержать функцию активации нейрона Lif, спайковая нейронная сеть должна обучиться на мини датасет [3].
Код реализует нейронную сеть с применением модели нейрона (LIF). Это модель спайковой нейронной сети, которая имитирует биологические нейроны, генерирующие спайки или импульсы при достижении определенного порога активации.
1. Описание работы алгоритма
1. Создание нового датасета, содержащий пары изображений (testA и testB) и меток, равных единице.
2. Создание новой нейросети, добавив в нее два входа для изображений testA и testB и выходной слой с одним выходом (скалярным значением), который будет отражать разницу между изображениями.
3. Изменение процесса загрузки данных для использования нового датасета.
4. Изменение функции потерь на Mean Squared Error (MSE), которая будет рассчитываться между выходом нейросети и значением равным единице (так как мы хотим получить разницу между изображениями).
5. Обучение нейросети на новом датасете, используя оптимизатор и функцию потерь MSE.
6. Тестирование нейросети на тестовой выборке, используя ту же метрику MSE.
2. Библиотеки Python
Код использует несколько библиотек Python, каждая из которых выполняет свою специфическую функцию:

• torch: это основная библиотека PyTorch, которая предоставляет функциональность для создания и обучения нейронных сетей. Она используется для создания моделей, определения функций потерь и оптимизаторов, а также для работы с тензорами.
• torch.nn: это подмодуль PyTorch, который предоставляет классы для создания нейронных сетей. Он используется для определения слоев нейронной сети, функций активации и функций потерь.
• torchvision.transforms: это подмодуль PyTorch, который предоставляет функции для предварительной обработки изображений, такие как масштабирование, обрезка, нормализация и т.д.
• torch.autograd.Variable: это класс PyTorch, который используется для обертывания тензоров и позволяет автоматически вычислять градиенты. Это необходимо для обучения нейронных сетей.
• torch.utils.data.Dataset и torch.utils.data.random_split: это классы PyTorch, которые используются для определения и разделения датасетов.
• PIL (Python Imaging Library): это библиотека Python для работы с изображениями. Она используется для загрузки изображений из файлов.
• os: это стандартная библиотека Python для работы с операционной системой. Она используется для работы с файловой системой, например, для чтения имен файлов из директории.
• time: это стандартная библиотека Python для работы со временем. Она используется для измерения времени обучения модели.
• sklearn.metrics: это подмодуль библиотеки scikit-learn, который предоставляет метрики для оценки производительности моделей. Он используется для вычисления отчета о классификации после обучения модели.