1樓：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，因為生物神經網路的抽象本質上是SNN，生物如此複雜，遠遠複雜、精密過目前的ANN，因而我們有理由相信，隨著人類對生物神經網路的認知，SNN會更加強大，真的實現類腦的功能。
無論是ANN還是SNN，其權重的訓練都是乙個重要的問題，尤其是ANN，採用基於梯度的方法無法避免陷入區域性極值，一些全域性優化的高效演算法，比如天牛須搜尋演算法https://
zhuanlan /p/30
742461
，就可以發揮優勢。
2樓：googol
說實話,為什麼我感覺SNN感覺像是對神經系統拙劣的模仿呢？有些問題，不是應該根據系統選擇最適合的操作嗎？我覺得SNN在生物可解釋性上走太遠了，甚至不惜拋棄計算機本身的結構優勢去拘泥於神經元上瑣碎的細節。
這樣感覺會有問題。不過向人腦學習未來還是大勢。
3樓：Jay Wang
2020.8.文章終於被接收了
我8月份提交了一篇關於SNN的期刊，現在11月還在review，沒有收到任何回覆……
關於SNN，我覺得能夠快速計算脈衝網路的硬體還沒發展普及起來，和ANN比只有生物可解釋性這乙個優點吧，至於關於腦機介面的應用，還是個可望不可及的未來。
脈衝神經網路和非脈衝神經網路各有什麼優缺點？
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。 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...
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...
神經網路中Belief Net和標準的神經網路有什麼區別？
金天 這個已經深埋地下的問題今天在下挖出來回答一番,拂去歲月的塵埃這個問題還是值得一答,也值得大家一讚.我的思考 1.DBN本質是RBM一層層的堆疊,那麼問題在於RBM與標準傳統簡單的神經網路有毛線區別呢?我們知道RBM可見層與隱藏層之間是全連線的,而hidden和hidden之間是沒有連線的,這個...