Repository - pySNNGo

登录注册

版本库

查看Git使用指南如操作版本库需要认证，请使用您的邮箱

ZIP下载

克隆网址复制

GDUT-ly 提交于 about 1 month前：fix bug

.idea
PySNNGo
dist
docImage
pySNNGo.egg-info
.gitignore
LICENSE
README.md
izkexample.py
setup.py

导出统计结果：各用户提交统计信息

[TOC]

# PySNNGo

## 1、介绍

PySNNGo基于python，是可根据用户构建的脉冲神经元网络进行模拟的前端程序。

该脉冲神经网络模拟器分为两个部分前端和后端，前后端的交互采用了网络连接的形式。这部分为独立于后端模拟器的前端语言，语言流程与PyNN类似，可以定义连接类型(如AllToAllConnector，RandomConnector等)，该部分用户可以利用不同的参数定义不同类型的神经元组成神经簇，从而构建出想要的脉冲神经网络模型，然后把模型所需数据封装成Json文件以tcp传输通过网络socket传送给后台程序。

## 2、环境

python 3.7 最佳

Go 1.15.1 最佳

## 3、环境配置

### 3.1 Window系统

#### 3.1.1 Go语言

该项目所使用的Go语言版本是1.15.1

**（1）Go语言官网**

> https://golang.org/

**（2）谷歌中国官网**（访问速度快）

> https://golang.google.cn/

**（3）安装**

选择其中一个版本go进行下载安装，项目所使用的Go语言版本是windows64位的1.15.1版本，所以安装包名如下：

> go1.15.1.windows-amd64.msi

**（4）环境变量**

安装完毕后，进行环境变量的配置。

GOROOT：在系统环境变量PATH中添加GOROOT系统变量

> 变量名：GOROOT
>
> 变量值：Go语言安装目录，例如 D:\Go\

GOPATH：自创建一个Go工作目录，在系统环境变量PATH中添加GOPATH系统变量

> 变量名：GOPATH
>
> 变量值：Go语言工作目录，例如 D:\Go\GoWorkSpace

当在终端输入go命令时，进入到go终端则安装成功。

**（5） 第三方依赖包安装**

项目中Go的第三方依赖包只有一个：gojsonq，可以用以下命令下载得：

> go get github.com/thedevsaddam/gojsonq

#### 3.1.2 python语言

该项目所使用的python语言版本是3.7.1

**（1）python官网**

> [https://golang.google.cn/](https://golang.google.cn/)

**（2）安装**

选择python 3.7.1 windows64版本，所以可以选择以下安装选项

> python 3.7.1 Windows x86-64 executable installer

**（3）环境变量**

安装过程中勾选 - 添加python到环境变量/add Python 3.7 to PATH，如果没有选择，可以在电脑系统环境变量中将python安装路径添加到PATH。

当在终端输入 `python `命令时，进入到pyhon终端则安装成功。

**（4）第三方依赖包安装**

项目中python的依赖包只有第三方库numpy和matplotlib，可以在终端用以下命令安装下载：

> pip install numpy
>
> pip install matplotlib

#### 3.1.3 PySNNGo环境

（1）进入[PySNNGo](https://code.ihub.org.cn/projects/4408/repository/pySNNGo)项目目录当中的dist目录下载PySNNGo安装文件：

> pySNNGO-1.0.tar.gz

（2）在`pySNNGO-1.0.tar.gz`所在目录下，打开终端输入pip安装命令：

> pip install pySNNGO-1.0.tar.gz

（3）在python环境下，运行语句 `import PySNNGo` ，若无报错，则安装成功。

#### 3.1.4 SNNGo环境

（1）进入[SNNGo](https://code.ihub.org.cn/projects/4407/repository/SNNGo)项目目录当中，下载整个项目文件。

（2）将SNNGo项目文件解压至任意目录当中，推荐放置在GOPATH（也就是Go语言工作目录）中。

（3）测试运行在项目目录中打开终端，运行命令：`go run SimulatorRun.go`。若显示`模拟服务器已开启`，则说明配置成功。

### 3.2 Linux系统

#### 3.2.1 Go语言

该项目所使用的Go语言版本是1.15.1，向上的版本也是可以兼容的。

**（1）安装**

在终端中输入下载go命令，默认下载的是上次apt更新后最新版：·

> sudo apt-get install golang-go

如果无法在终端下载，可以到官网 https://golang.google.cn/ 下载压缩安装包

> go1.15.1.linux.amd64.tar.gz

**（2）环境变量**

安装完毕后，进行环境变量的配置，才可以在全局使用go命令。

在系统环境变量配置文件中添加GO环境变量：在配置文件**`~/.bashrc`** 或者 **`/etc/profile`**末尾加入以下语句：

> export GOROOT=/usr/local/go                            #GOROOT是系统上安装Go软件包的位置。 
>
> export GOPATH=/home/hadoop/GOPATH       #GOPATH是工作目录的位置。 
>
> export PATH=$GOPATH/bin:$GOROOT/bin:$PATH

添加后重启配置文件**`source ~/.bashrc`**或**`source /etc/profile`**

当在任意位置打开终端输入go version命令时，显示go语言的版本信息则安装且配置成功。

**（3） 第三方依赖包安装**

项目中Go的第三方依赖包只有一个：gojsonq，可以在终端使用命令下载得：

> go get github.com/thedevsaddam/gojsonq

#### 3.2.2 python语言

在linux系统下会自带python，但版本可能不太兼容，最好是选择3.7或以上的版本，再低最好别不超低于3.5。

**（1）安装**

**apt工具包安装：**

在终端中输入更新软件包以及安装python命令：

> $sudo apt-get update
> $sudo apt-get install python3.7

但以上安装方式，不一定能安装到最新版，而且是基于原系统自带了python语言。

**源码编译安装python**：

> wget -c https://www.python.org/ftp/python/3.7.1/Python-3.7.1.tgz   # 源码下载
>
> tar -xzvf Python-3.7.1tgz                                                                              # 解压源码
>
> cd Python-3.7.1/                                                                                            # 切换源码目录
>
> ./configure --prefix=/usr/local/python3.7.1                                              # 配置安装目录
>
> make                                                                                                                # 编译
>
> sudo make install																						   # 安装

**（2）环境变量**

安装完毕后，进行环境变量的配置，才可以在全局使用python命令。

在系统环境变量配置文件中添加GO环境变量：在配置文件**`~/.bashrc`** 或者 **`/etc/profile`**末尾加入以下语句：

> export PATH=/usr/local/python3.7.1/bin:$PATH

添加后重启配置文件**`source ~/.bashrc`**或**`source /etc/profile`**

当在任意位置打开终端输入python命令时，进入到python交互式终端则安装且配置成功。

**（3）第三方依赖包**

项目中python的依赖包只有第三方库numpy和matplotlib，可以在终端用以下命令安装下载：

> pip install numpy
>
> pip install matplotlib

#### 3.2.3 PySNNGo环境

（1）进入[PySNNGo](https://code.ihub.org.cn/projects/4408/repository/pySNNGo)项目目录当中的dist目录下载PySNNGo安装文件：

> pySNNGO-1.0.tar.gz

（2）在`pySNNGO-1.0.tar.gz`所在目录下，打开终端输入pip安装命令：

> pip install pySNNGO-1.0.tar.gz

（3）在python交互环境下，运行语句 `import PySNNGo` ，若无报错，则安装成功。

#### 3.2.4 SNNGo环境

（1）进入[SNNGo](https://code.ihub.org.cn/projects/4407/repository/SNNGo)项目目录当中，下载整个项目文件。

（2）将SNNGo项目文件解压至任意目录当中，推荐放置在GOPATH（也就是Go语言工作目录）中。

（3）测试运行在项目目录中打开终端，运行命令：`go run SimulatorRun.go`。若显示`模拟服务器已开启`，则说明配置成功。

## 4、目录结构

PySNNGo.
│  control.py
│  globalvar.py
├─**Connectors**
│  └─Connector.py
├─**DataControl**
│  └─BuildData.py
├─**NeuronModels**
│  └─Izhikevich.py
├─**Populations**
│  └─Population.py
├─**Projections**
    └─ Projection.py

## 5、项目说明

该项目需要搭配用Go语言编程的后台项目SNNGo才可以正确运行。

该项目由几个主要模块组成，**构建模块**：构建脉冲神经网络的各个组成部件（如Population、Projection、NeuronModel、Connector等）。**数据控制模块**（DataControll）：控制脉冲神经网络真实数据的部件。

**模拟器状态控制模块**（control）：控制模拟器的创建和运行。

**构建模块**

主要用于根据用户所给参数定义神经网络的各个部分，如Population用于构建具有相同类型神经元的神经簇，Projection用具构建神经簇与神经簇之间的连接权重，Connector用于构建神经元之间的连接类型，NeuronModel模块可以构建有不同的神经元模型。

**数据控制模块**

主要用于在用户定义了神经网络以后，生成实际的数据，用于传输到SNNGo模拟器当中运行，如定义完一个特定参数的izk神经元的Population以后，DataControl模块会生成该参数的izk数组；定义完两个神经簇的连接以后会生成二维的权重数组。

**模拟器状态控制模块**

主要用于创建模拟器的创建和运行，例如control模块中的setup函数是为模拟器创建各种全局变量等同于模拟器的创建，所以该函数一定要在定义网络之前；还有其模块中的run函数，负责运行模拟器，实际工作为发送数据模块生成的所有数据到后台SNNGo模拟器当中运行。

## 6、模拟示例

### 6.1 加载SNNGo模拟器

在使用PySNNGo之前，需要先运行后台项目SNNGo才可以进行模拟，在SNNGo项目的目录下执行控制台命令：

`go run SimulatorRun.go`

当显示`模拟服务器已开启`时，说明开启成功，监听等待前端数据发送。

### 6.2 编写脉冲神经网络模拟程序

在PySNNGo的主目录下有一个测试示例，`izkexample.py`，文件结构如下。

可以在终端运行命令，`python izkexample.py`进行案例测试。

**1、导入工具包**

```python
from PySNNGo.NeuronModels import Izhikevich
from PySNNGo.Populations import Population
from PySNNGo.Projections import Projection
from PySNNGo.Connectors import Connector
from PySNNGo import control
from matplotlib import pyplot as plt
```

**2、设定所需参数**

```python
# 兴奋神经元和抑制神经元参数
ExciCellParameters = {"label": "Excitatory", "a": 0.02, "b": 0.2,
                      "c": -65, "d": 8, "thresh": 30, "v": -65, "in_curr": 0}
InhiCellParameters = {"label": "Inhibitory", "a": 0.02,  "b": 0.25,
                      "c": -65, "d": 2, "thresh": 30, "v": -65, "in_curr": 0}
# 神经网络参数
runtime = 1000
nNeurons1 = 800
nNeurons2 = 200
```

**3、构建并运行网络**

```python
# 1、创建模拟器，模拟时间步长设置为1
control.setup(1)
# 2、定义兴奋型神经元和抑制性神经元
izkExci = Izhikevich.izhikevich(**ExciCellParameters)
izkInhi = Izhikevich.izhikevich(**InhiCellParameters)
# 3、定义兴奋型神经簇和抑制性神经簇
pE = Population.Population(
    size=nNeurons1, cellclass=izkExci, cellparameter=ExciCellParameters)
pI = Population.Population(
    size=nNeurons2, cellclass=izkInhi, cellparameter=InhiCellParameters)
# 4、两个神经簇完全连接
Pro = Projection.Projection(
    pE, pI, Connector.AllToAllConnector())
# 5、运行模拟器
control.run(runtime=runtime)
```

4、**获取模拟数据进行绘图**

```python
# 获取模拟数据
ReceiveData = control.getReceiveData()
# 对模拟数据进行绘图
plt.scatter(ReceiveData["SpikeTime"], ReceiveData["Spike"], s=5, alpha=0.1)
plt.xlabel('SpikeTime')
plt.ylabel('SpikeID')
plt.show()
```

> **画图运行结果**

ihub@pcl.ac.cn 鹏城实验室人工智能研究中心