新兴的非挥发记忆设备的备忘录在神经形态硬件设计中显示出有希望的潜力,尤其是在尖峰神经网络(SNN)硬件实现方面。基于Memristor的SNN已成功应用于各种应用程序,包括图像分类和模式识别。但是,在文本分类中实施基于备忘录的SNN仍在探索中。主要原因之一是,培训基于备忘录的SNN用于文本分类是由于缺乏有效的学习规则和不理想性的不存在。为了解决这些问题,并加快了在文本分类应用程序中探索基于备忘录的尖峰神经网络的研究,我们使用经验的Memristor模型开发了使用虚拟备忘录阵列的仿真框架。我们使用此框架来演示IMDB电影评论数据集中的情感分析任务。我们采用两种方法,通过将预训练的人工神经网络(ANN)转换为基于Memristor的SNN或2),通过直接训练基于Memristor的SNN,以获取训练有素的尖峰神经网络:1)通过将预训练的人工神经网络(ANN)转换为基于Memristor的SNN。这两种方法可以在两种情况下应用:离线分类和在线培训。鉴于等效ANN的基线训练精度为86.02%,我们通过将预训练的ANN转换为基于Memristor的SNN的ANN通过将预培训的ANN转换为基于Memristor的SNN的85.88%的分类准确性为85.88%。我们得出的结论是,可以在从ANN到SNN以及从非同步突触到数据驱动的Memristive突触的模拟中实现类似的分类精度。我们还研究了诸如Spike火车长度,读取噪声和重量更新停止条件之类的全局参数如何影响两种方法的神经网络。
translated by 谷歌翻译