我建立了一個持續吸引子網絡，包含3個運動神經元，這些神經元學會使用獎勵調節的Hebbian可塑性來引導老鼠朝向食物。 不使用反向傳播和隨機梯度下降。 在這種情況下，最開始時，網絡學會了圍繞食物轉圈 😯 源代碼是開源的，鏈接在評論中。 在這個CAN中有36個神經元可以檢測食物的位置，這個網絡中的每個神經元都連接到每個運動神經元。 最開始時，這些連接是隨機且微弱的，隨著老鼠接近並到達食物，它們變得更強。網絡通過跟蹤哪些神經元一起發火來實現這一點，並加強這些連接。 如果你覺得這有趣，可以看看我的脈衝神經網絡項目。我也會在評論中放一個鏈接。

從零開始的尖峰神經網絡達到8%的準確率。沒有反向傳播或隨機梯度下降 我創建了一個基因超參數優化器，現在平均可以達到8%的準確率，這大約比隨機機率高出3% 源代碼的鏈接，附有詳細的視頻和註解中的Markdown解釋 它通常從低於5%開始，然後慢慢改善，最終可能會開始低於5%，這一切都讓我相信有學習的跡象。有時它會在7-8-9%之間穩定很長一段時間 沒有反向傳播或隨機梯度下降。它通過STDP（尖峰時序依賴性可塑性）和獎勵機制進行學習 每個例子會被呈現多次（在這個案例中是500次），這會產生尖峰序列，進而導致合格名單，在每一回合結束時，根據答案是否正確，我們使用獎勵作為乘數來調整權重 尖峰時序跟蹤神經元發火的序列，以及哪些神經元更有可能導致正確答案 讓我知道你的想法

我從零開始建立了一個生物啟發的脈衝神經網絡，它以 5% 的準確率學會了加法 :) 這裡沒有反向傳播，沒有人工損失函數 - 只有脈衝、突觸和類多巴胺的獎勵信號。 它使用 STDP -> "脈衝時序依賴性可塑性"，並帶有調節獎勵 這非常有趣，我會嘗試讓它學會更好的準確率。我還需要更好地理解所有運作部分是如何協同工作的 源代碼的鏈接在評論中，裡面有詳細的自述文件和帶有動畫的 HTML，解釋了它是如何運作的