请问代码是否支持单步推理？

[USTCYYX]

您好，查看代码后我发现推理使用的是多步推理。请问我能否用 from spikingjelly.clock_driven import functional functional.set_step_mode(net, 's') 方便地将网络改为单步推理模式？ 如果不能，您能否提供一个可行的办法使得可以在单步模式下推理？谢谢！

[fangwei123456]

可以这样，先用functional.set_step_mode作用self，让所有子模块都在单步模式下

[USTCYYX]

您好，我想用spikingjelly训练cifar10和cifar100，我想用在spikingjelly/activation_based/model/spiking_vgg.py中的VGG范例模型，这些模型都是来自于ANN的VGG架构吗？然后将激活函数改成了神经元。

[USTCYYX]

spiking_vgg的文档有点不全，我想问下我这么用是对的吗？ net = models.spiking_vgg.__dict__[args.model](neuron=neuron.IFNode(), num_classes=num_classes, surrogate_function=surrogate.ATan())

[fangwei123456]

neuron=neuron.IFNode()换成neuron=neuron.IFNode

[USTCYYX]

我直接训练vgg16效果比较差，我想试试加上tdbn看看能不能到达那篇文章(Going Deeper With Directly-Trained Larger Spiking Neural Networks)所说的效果，net定义成这样：

spiking_vgg.__dict__[args.model](spiking_neuron=neuron.IFNode, num_classes=num_classes,surrogate_function=surrogate.ATan(),norm_layer=layer.ThresholdDependentBatchNorm2d(alpha=1., v_th=1.))

但是报错了： TypeError: __init__() missing 1 required positional argument: 'num_features' 应该是直接使用layer.ThresholdDependentBatchNorm2d报错了，但是我看spiking_vgg是提供了这个norm_layer自定义的接口的，不知道应该怎么修改。

[fangwei123456]

norm_layer=layer.ThresholdDependentBatchNorm2d?

[fangwei123456]

norm_layer需要是一个可调用的对象，而不是一个已经生成的模块吧

[USTCYYX]

norm_layer=layer.ThresholdDependentBatchNorm2d我试过了，会提示输入v_th报错：TypeError: __init__() missing 1 required positional argument: 'v_th' 另外我现在用sj自带的sew_resnet18训练cifar100数据集，并且因为cifar100的size比较小，我将第一层的77卷积核换成了33卷积核。现在的问题是过拟合很严重，在训练集上有99%的精度，但是测试集只有55%左右。我看现在ANN上resnet18能做到75.61%左右的精度。不知道您有没有什么技巧可以缓解过拟合，提高精度。

[fangwei123456]

CIFAR数据集很容易过拟合，一般只能采用改进网络结构的方式。L2之类的技巧没什么效果。数据增强有一些用，参考下面的代码： https://github.com/fangwei123456/Parallel-Spiking-Neuron/blob/main/cifar10/train_cf10.py

[USTCYYX]

如果要改进网络的话，只能添加dropout,但是resnet原文里是不加dropout的。或者用您文章里的专门为DVScifar10准备的小网络Wide-7B-Net，不知道可不可行。

[USTCYYX]

不知道您有没有用sewresnet做过cifar100，可以提供一点经验吗

[fangwei123456]

没有试过，但你可以用CIFAR10的网络试试

[USTCYYX]

您好，您说的数据增强方法确实有用，但是似乎有点过了，导致训练集都有点欠拟合。不知道数据增强中有没有参数可以调节数据增强的强度？ https://github.com/fangwei123456/Parallel-Spiking-Neuron/blob/main/cifar10/train_cf10.py 中的数据增强办法。

[USTCYYX]

现在比较尴尬的是测试集的精度比训练集的精度更高，这可能是数据增强太强所导致的。您原来的数据增强是针对cifar10的，但是现在我用的数据集是cifar100，可能不需要这么强的数据增强。希望您能告诉我数据增强的代码中有没有参数可供调节，来降低数据增强的效果。

[fangwei123456]

看一下数据增强的class的构造参数