一种基于自蒸馏的脉冲神经网络训练方法

本发明公开了一种基于自蒸馏的脉冲神经网络训练方法，该方法包括：对脉冲神经网络（SNN）的网络结构与LIF神经元参数进行初始化；将全部时间步的输出根据融合权重进行融合，得到全局软目标作为教师模型；将各时间步的输出结合历史输出根据融合权重进行融合，得到各个时间步的局部软目标作为学生模型；将全局软目标和局部软目标映射到共享特征空间，通过KL散度计算自蒸馏损失，再针对图像样本计算交叉熵损失，将两个损失整合计算得到总损失函数，通过反向传播更新SNN的网络参数，训练好的SNN用于图像分类任务。本发明能够改善现有的SNN训练方法的粗粒度时间步融合问题，有效提高了脉冲神经网络的训练精度。