2. 快速入门¶
本页面将引导您完成使用Norse提高效率的初始步骤。 我们将介绍如何
处理神经元状态
使用Norse无需考虑时间因素
使用Norse处理循环任务
随时间使用Norse
如果您对脉冲神经网络(SNNs)完全不了解，我们建议您浏览我们介绍该主题的页面：脉冲信号入门。
2.1. 运行现成代码¶
如果您想快速入门，我们推荐使用Jupyter Notebook教程合集。这些教程可以直接在Google Colab上在线运行。
此外，我们提供了一系列任务，您可以在安装Norse后立即运行。 其中最常见的实验之一是MNIST分类任务。 Norse实现了与现代非脉冲网络相当的性能：
python -m norse.task.mnist
请参阅运行任务获取更多任务及如何运行它们的详细信息。
2.2. 构建带状态的神经网络¶
如果你想使用Norse构建自己的模型，需要了解神经元包含状态这一特性。 实际上这意味着Norse中的神经元会输出两个内容：脉冲张量和神经元状态。 Norse会在初始阶段为你初始化所有必要的状态，但你需要 持续传递这个状态。 如果不这样做，状态将始终为零，神经元永远不会发放脉冲，你的神经元将 永远处于死亡状态！
import torch
import norse
cell = norse.torch.LIFCell()
data = torch.ones(1)
spikes, state = cell(data)
下次调用该单元格时，需要传入该状态。否则将得到完全相同的输出
spikes, state = cell(data, state)
注意: 如果你在寻找灵感，这与PyTorch的RNN模块类似。
2.3. 使用带时间参数的Norse神经元¶
与PyTorch的Sequential类似， Norse的神经元模型可以在网络中串联。 遗憾的是，由于状态的原因，这与PyTorch自身的RNNs一样无法直接实现。 为此，Norse提供了SequentialState模块， 用于将有状态的模块连接起来：
import torch
import norse
model = SequentialState(
torch.nn.Linear(10, 5),
norse.torch.LIFCell(),
torch.nn.Linear(5, 1)
)
data = torch.ones(8, 10) # (batch, input)
out, state = model(data) # (8, 1) output shape
2.4. 在Norse中使用循环¶
所有神经元模块都包含Cell和RecurrentCell类。
上文中应用的Cell类仅作为神经元的前馈激活功能，
而RecurrentCell还包含线性和循环权重（我们同时对输入和循环脉冲进行加权）。
因此，我们需要告知模块它需要采用的形状，
因为我们必须初始化权重以匹配所需的输入/输出形状。
RecurrentCell 类可以直接使用，并能轻松集成到上述代码中。请注意，我们保持了相同的输入/输出形状，但这可以很容易地调整：
import torch
import norse
model = SequentialState(
torch.nn.Linear(10, 5),
norse.torch.LIFRecurrentCell(5, 5),
torch.nn.Linear(5, 1)
)
data = torch.ones(8, 10) # (batch, input)
out, state = model(data) # (8, 1) output shape
2.5. 时间序列中使用Norse¶
上述``XCell``遵循PyTorch的抽象概念，其中单元是"简单"的激活函数，仅应用一次。 然而，神经元存在于时间中，需要至少几个时间步长的输入才能发生有趣的事情（比如脉冲）。
上述网络（不含时间的那一个）在加入时间维度后依然能完美运行，您可以通过简单的for循环将其封装。不过，也可以选择让每个模块随时间独立运行。
在Norse中，我们通过从模型中移除Cell后缀来建模这个时间维度。因此，时序中的LIFCell将简称为LIF。同理，时序中的LIFRecurrentCell将简称为LIFRecurrent。
常规的Torch模块也需要在时间维度上运行。为此，我们添加了一个模块来提升PyTorch模块至时间域（即简单地在每个时间步运行一次）。
综上所述，我们得到以下内容：
import torch
import norse
model = SequentialState(
norse.Lift(torch.nn.Linear(10, 5)),
norse.LSNNRecurrent(5, 5),
norse.Lift(torch.nn.Linear(5, 1))
)
data = torch.ones(100, 8, 10) # (time, batch, input)
out, state = model(data)
