Rakensin jatkuvan attraktoriverkoston, jossa on 3 motorista neuronia, jotka oppivat ohjaamaan hiiriä kohti ruokaa käyttämällä palkitsemismoduloitua Hebbin plastisuutta Ei takaisinleviämistä eikä SGD:tä. Tässä tapauksessa verkostoituneet oppivat aluksi kiertämään ruoan 😯 ympärillä Lähdekoodi on avointa lähdekoodia. linkki kommentissa 36 CAN:n neuronia havaitsee, missä ruoka on, jokainen tämän verkon neuroni yhdistyy jokaiseen motoriseen neuroniin. Aluksi yhteydet ovat satunnaisia ja heikkoja, ja ne vahvistuvat, kun hiiret lähestyvät ja saavuttavat ruokaa. Network tekee tämän seuraamalla, mitkä neuronit laukaistiin yhdessä tämän saavuttamiseksi ja vahvistamalla näitä yhteyksiä Jos pidät tätä mielenkiintoisena, tutustu Spiking neural networks -projektiini. Laitan linkin siihen myös kommenttiin

Spiking Neural Network tyhjästä saavuttaa 8 %:n tarkkuuden. ei takaisinleviämistä tai SGD:tä Loin geneettisen hyperparametrien optimoijan ja se voi nyt saada keskimäärin 8 % tarkkuuden, mikä on ~3 % yli todennäköisyyden Linkki lähdekoodiin, jossa on yksityiskohtainen video ja merkinnän selitykset kommentissa se alkaa myös yleensä alempana kuin 5 % ja paranee hitaasti ja voi lopulta alkaa pudota alle 5 %:n, mikä kaikki saa minut uskomaan, että oppimisen välähdyksiä tapahtuu. Joskus se on pitkään noin 7-8-9 % ei ole takaisinetenemistä tai SGD:tä. se oppii STDP:n (piikkiajoituksesta riippuvainen plastisuus) ja palkitsemismekanismin kautta Jokainen esimerkki esitetään N monta kertaa (tässä tapauksessa 500), mikä tuottaa piikkijunan, joka johtaa kelpoisuusluetteloon, vuoron lopussa sen perusteella, oliko vastaus oikea vai ei, säädämme painoja käyttämällä palkintoa kertoimena Piikkiajoitus seuraa hermosolujen laukaisujen järjestystä ja sitä, mitkä niistä johtivat todennäköisemmin oikeaan vastaukseen Kerro minulle mielipiteesi