关于 _C_neuron.ParametricLIF_hard_reset_fptt_with_grad

[Jee-King]

class ParametricLIFMultiStep(torch.autograd.Function):
    @staticmethod
    def forward(ctx, x_seq, v, v_threshold, v_reset, alpha, detach_reset, grad_surrogate_function_index, reciprocal_tau, detach_input):
        if v_reset is None:
            raise NotImplementedError

        spike_seq, v_next, grad_s_to_h, grad_v_to_h, grad_h_to_rtau = _C_neuron.ParametricLIF_hard_reset_fptt_with_grad(x_seq, v, v_threshold, v_reset, alpha, detach_reset, grad_surrogate_function_index, reciprocal_tau, detach_input)
        ctx.save_for_backward(grad_s_to_h, grad_v_to_h, grad_h_to_rtau)
        ctx.reciprocal_tau = reciprocal_tau
        ctx.detach_input = detach_input

        return spike_seq, v_next

您好，我有两个问题希望您帮忙解答一下，

1. 这段代码 中 _C_neuron.ParametricLIF_hard_reset_fptt_with_grad 内部数据处理的流程是什么，然后函数返回的几个变量分别是什么意思呢？
2. 我调试发现_C_neuron.ParametricLIF_hard_reset_fptt_with_grad 输入的x_seq维度是[T,B,C,H,W]，假设两层是conv1-LIFnode1-conv2-LIFnode2。我理解的处理数据正常的流程应该是每一个时刻的数据[1,B,C,H,W]顺序进入conv1-LIFnode1-conv2-LIFnode2。但是目前的处理方式感觉是所有的数据[T,B,C,H,W]先经过conv1-LIFnode1，然后再进全部进入conv2-LIFnode2。不知道我理解的对不对，这两种方式是否有所区别？

[fangwei123456]

这应该是老版本的代码。_C_neuron是C++/CUDA扩展，需要去原始的C++函数看函数的实现。ParametricLIF_hard_reset_fptt_with_grad是PLIF神经元，在hard reset的情况下，使用多步前向传播并计算部分数据的梯度。 spike_seq是神经元的输出脉冲序列。 grad_s_to_h 表示的是spike对h的导数，其他的类似。

第二个问题，参考以下教程： https://spikingjelly.readthedocs.io/zh_CN/0.0.0.0.12/clock_driven/10_propagation_pattern.html

[Jee-King]

非常感谢您的解答，另外SEW的代码是不是只能使用老版本代码，因为readme 将下载的spikingjelly版本回滚了。因为不太熟悉C++/CUDA，所以新版本可以用的话就太好了：）

[fangwei123456]

SEW用新版本没问题，而且有教程： https://spikingjelly.readthedocs.io/zh_CN/latest/activation_based/train_large_scale_snn.html

[fangwei123456]

这个教程是spiking resnet的，但很容易改成sew resnet，而且框架里面提供了网络定义的代码： https://github.com/fangwei123456/spikingjelly/blob/master/spikingjelly/activation_based/model/sew_resnet.py

[Jee-King]

好的 非常感谢您的解答！

[Jee-King]

您好，不好意思再次打扰您，请问是否有方式同时返回 当前层的spike和对应的的膜电压

[fangwei123456]

某个版本后的SJ框架中就支持返回v_seq和spike_seq了

[Jee-King]

    def neuronal_charge(self, x: torch.Tensor):
        self.v_float_to_tensor(x)
        if self.decay_input:
            if self.v_reset is None or self.v_reset == 0.:
                self.v = self.neuronal_charge_decay_input_reset0(x, self.v, self.tau)
            else:
                self.v = self.neuronal_charge_decay_input(x, self.v, self.v_reset, self.tau)

        else:
            if self.v_reset is None or self.v_reset == 0.:
                self.v = self.neuronal_charge_no_decay_input_reset0(x, self.v, self.tau)
            else:
                self.v = self.neuronal_charge_no_decay_input(x, self.v, self.v_reset, self.tau)

    @staticmethod
    @torch.jit.script
    def neuronal_charge_decay_input_reset0(x: torch.Tensor, v: torch.Tensor, tau: float):
        v = v + (x - v) / tau
        return v

您好，我在自己项目使用您的代码过程中，出现了下面的报错。我的输入是[5,20,3,288,288], 使用的是LIF模型。在debug过程中发现，multi_step_forward()函数中对每个事件步进行y = self.single_step_forward(x_seq[t]). 当t=0时，代码不会报错。但是当t=1的时候，代码在调用neuronal_charge()时就会出现下面的错误。最终定位到出错的代码行是上面的第五行。请问这个问题您是否遇到过。

Traceback (most recent call last):
  File "/home/iccd/cv23-spiking/pytracking/ltr/trainers/base_trainer.py", line 70, in train
    self.train_epoch()
  File "/home/iccd/cv23-spiking/pytracking/ltr/trainers/ltr_trainer.py", line 80, in train_epoch
    self.cycle_dataset(loader)
  File "/home/iccd/cv23-spiking/pytracking/ltr/trainers/ltr_trainer.py", line 66, in cycle_dataset
    loss.backward()
  File "/home/iccd/miniconda3/envs/pytracking/lib/python3.8/site-packages/torch/tensor.py", line 221, in backward
    torch.autograd.backward(self, gradient, retain_graph, create_graph)
  File "/home/iccd/miniconda3/envs/pytracking/lib/python3.8/site-packages/torch/autograd/__init__.py", line 130, in backward
    Variable._execution_engine.run_backward(
  File "/home/iccd/miniconda3/envs/pytracking/lib/python3.8/site-packages/torch/autograd/function.py", line 89, in apply
    return self._forward_cls.backward(self, *args)  # type: ignore
  File "/home/iccd/miniconda3/envs/pytracking/lib/python3.8/site-packages/spikingjelly-0.0.0.0.13-py3.8.egg/spikingjelly/activation_based/surrogate.py", line 638, in backward
    return atan_backward(grad_output, ctx.saved_tensors[0], ctx.alpha)
RuntimeError: nvrtc: error: invalid value for --gpu-architecture (-arch)

nvrtc compilation failed: 

#define NAN __int_as_float(0x7fffffff)
#define POS_INFINITY __int_as_float(0x7f800000)
#define NEG_INFINITY __int_as_float(0xff800000)

template<typename T>
__device__ T maximum(T a, T b) {
  return isnan(a) ? a : (a > b ? a : b);
}

template<typename T>
__device__ T minimum(T a, T b) {
  return isnan(a) ? a : (a < b ? a : b);
}

extern "C" __global__
void func_1(float* t0, float v1, float* t2, float* aten_mul_flat) {
{
  float v = __ldg(t2 + 18 * ((512 * blockIdx.x + threadIdx.x) / 18) + (512 * blockIdx.x + threadIdx.x) % 18);
  float v_1 = __ldg(t0 + 18 * ((512 * blockIdx.x + threadIdx.x) / 18) + (512 * blockIdx.x + threadIdx.x) % 18);
  aten_mul_flat[512 * blockIdx.x + threadIdx.x] = ((1.f / (v + 1.f)) * v1) * v_1;
}
}

[fangwei123456]

在新版SJ框架中，如果不使用cupy后端，多步的前向传播是通过多次调用单步实现的，而单步的实现是纯python，但你这个报错是cuda编译问题：

RuntimeError: nvrtc: error: invalid value for --gpu-architecture (-arch)

应该是你在某些地方引入自定义CUDA扩展，但CUDA的代码有问题导致的

[Jee-King]

但是第一次事件步循环是没有问题的，第二次循环才报错。我再调试看看。谢谢您的解答。

[Jee-King]

hi，请问你是否试过使用SEW-Resnet18训练测试过dvsgesture? 我尝试了使用您paper里用的结构和SEW-Resnet18分别训练dvsgesture。【我使用你的回滚版本训练你paper里的结构，使用新的spikingjelly训练的SEW-Resnet18】。能训练出你文章的效果，但是SEW-Resnet18结果很差，acc1只有85%左右，使用的训练参数是一样的。 请问这个原因可能是什么，是对训练参数比较敏感吗？

[fangwei123456]

SEW-Resnet18这个网络适合imagenet，对于dvs手势而言过于庞大了，因此原文才重新设计了一个小网络

[Jee-King]

噢噢好的，多谢您及时的解答