1樓：張張弡
SNN的理論先進，更具有生物可解釋性，有望實現真正人工智慧。但是缺乏普遍高效的學習演算法。
非SNN現在已經成熟，並得到了廣泛應用，但不是實現真正人工智慧的途徑。
2樓：
如果從電腦科學的角度來講，這兩個都是玄學。
目前較多的神經網路，那應該是神馬BP神經網路之類的，這些東西應該屬於統計學習的內容，它們用來解決一些實際問題，比如影象裡的識別，探測，自然語言裡的翻譯等等，思想就是從大量的資料中學習資訊的內在規律。
雖然無法解釋其中原理，衍生出所謂的調參黨，而且效果也。。。不那麼如意，但似乎是目前為止效果最好的解決辦法。因為它們的應用領域太難了。
真要做的跟生物那樣，我估計得等到真正的2023年。。。
脈衝神經網路。。。那是玄學中的玄學。BP神經網路之流，是從解決問題的角度出發去設計結構。
而脈衝神經網路，那就反過來了，就是從生物神經網路的結構出發，去解決人工智慧領域的問題。目前的階段。。。好像還沒找到任何實際問題的方法，美其名曰具有巨大的潛在價值。
不過他們的研（編）究（的）成（故）果（事）還是很好聽的。比如：
我們實現巴普洛夫和狗啦！
我們實現帶有遺忘功能的巴普洛夫和狗啦！！
我們實現帶有遺忘和快速回憶功能的巴普洛夫和狗啦！！！
如果它能解決實際問題，我估計得等到***年。。。
順便一提，大約8億年後，地球已經不適合生物生存了，詳細參見維基百科Timeline of the far future
除了脈衝神經網路和BP神經網路外，非主流的還有神馬hopfield神經網路，細胞神經網路。。。你永遠不知道人類的想象力有多豐富。。。等到它們有應用，估計得等到太陽燒完了。。。
3樓：KarlXing
首先，脈衝神經網路與傳統的人工神經網路的神經元模型不同。
在非脈衝神經網路中，神經元的計算模型大致是這樣，layer之間傳遞的是乙個個值。
而在脈衝神經網路中，神經元傳遞的是乙個個脈衝，每個神經元有乙個membrane voltage，乙個神經元接受輸入脈衝，導致membrane voltage變化（inhibitory neurons和excitatory neurons分別起反向和正向作用），當神經元的membrane voltage達到乙個閾值時，便傳送乙個脈衝，這個脈衝再向後傳遞。
由於脈衝神經網路傳遞的是乙個個脈衝，它們組成了乙個脈衝序列，單個脈衝之間的時間間隔不一定，脈衝序列中蘊含了temporal information，這是傳統的人工神經網路所不能表達的。
除此之外，脈衝神經網路中的每個神經元只有接收到乙個脈衝時，才需要進行計算，功耗更低，計算更快；而傳統人工神經網路需要一層層的計算，計算量要大很多。
但是脈衝神經網路暫時並沒有找到乙個完美的訓練演算法，尤其是需要訓練深層網路的時候。而傳統人工神經網路借助統計與優化等數學工具得到充分發展，訓練得到的效果目前比脈衝神經網路要更好。
因此目前也有一些工作在做將傳統人工神經網路比如CNN,DBN轉化為SNN（spiking neural network），這樣相當於是將傳統人工神經網路中乙個神經元的值，當做是對脈衝的頻率編碼。
總的來說，脈衝神經網路有更強的生物學基礎，潛在的能力更強大，但尚待開發；而傳統人工神經網路充分利用統計學與優化等數學工具，現在取得的效果更好。
4樓：NegativeFace
生物神經網路內的脈衝強弱是用來編碼資訊強度的，私以為可以看作神經元無法控制單次脈衝強度的一種妥協。到了人工神經網路裡它實際上被轉化成了神經元間傳遞的浮點數，所以沒必要使用多次脈衝。
對於神經科學不是很了解，望斧正。
如何看待人工神經網路ANN和脈衝神經網路SNN的發展？
十萬個為什麼 SNN起源於人類對生物神經網路的解剖，是一種機理模型 ANN是一種工程模型，架構上源於生物學基礎，但是又採用了數值優化的方法進行求解。當前的科技發展水平下，ANN更實用，可以解決很多實際問題，而SNN在功能性角度方面遠遠弱於ANN。從發展前景方面，ANN顯然不及SNN，因為生物神經網路...
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...