CANNs 文档¶

欢迎来到 CANNs (连续吸引子神经网络) 文档！本库为构建、训练和分析连续吸引子神经网络提供了统一的高级API。

可视化展示¶

1D CANN 平滑追踪平滑追踪过程中的实时动力学	2D CANN 群体编码空间信息编码模式
Theta 扫描分析网格细胞和方向细胞网络的 theta 节律调制
Bump 分析 1D bump 拟合与分析	环面拓扑分析 3D 环面可视化与解码

🚀 交互式示例

在线体验示例：

在 Binder 上运行 (免费，无需设置)
在 Google Colab 中打开 (需要Google账号)

📖 内容目录

快速入门

指南

示例手册导览
- 运行提示
- 示例分类

示例

API 参考

API Reference

语言: English | 中文

关于 CANNs¶

连续吸引子神经网络 (CANNs) 是一类神经网络模型，其特征是能够在连续状态空间中维持稳定的活动模式。本库提供：

丰富的模型库: 1D/2D CANNs、SFA模型、层次化网络
面向任务的设计: 路径积分、平滑跟踪、自定义任务
强大的分析工具: 实时可视化、统计分析
高性能: 基于JAX的计算，支持GPU/TPU

快速安装¶

# 基础安装 (CPU)
pip install canns

# GPU支持 (Linux)
pip install canns[cuda12]

# TPU支持 (Linux)
pip install canns[tpu]

快速示例¶

以下是一个完整的示例，展示如何创建1D CANN、运行平滑跟踪任务并可视化结果：

import brainstate
from canns.models.basic import CANN1D
from canns.task.tracking import SmoothTracking1D
from canns.analyzer.plotting import PlotConfigs, energy_landscape_1d_animation

# 设置环境并创建1D CANN网络
brainstate.environ.set(dt=0.1)
cann = CANN1D(num=512)
cann.init_state()

# 定义具有多个目标位置的平滑跟踪任务
task = SmoothTracking1D(
    cann_instance=cann,
    Iext=(1., 0.75, 2., 1.75, 3.),
    duration=(10., 10., 10., 10.),
    time_step=brainstate.environ.get_dt(),
)
task.get_data()

# 使用编译循环运行仿真以提高效率
def run_step(t, inputs):
    cann(inputs)
    return cann.u.value, cann.inp.value

us, inps = brainstate.compile.for_loop(
    run_step, task.run_steps, task.data,
    pbar=brainstate.compile.ProgressBar(10)
)

# 使用动画可视化结果
config = PlotConfigs.energy_landscape_1d_animation(
    title='1D CANN 平滑跟踪',
    save_path='tracking_demo.gif'
)
energy_landscape_1d_animation(
    {'活动': (cann.x, us), '输入': (cann.x, inps)},
    config=config
)

社区和支持¶

GitHub 仓库: https://github.com/routhleck/canns
问题报告: https://github.com/routhleck/canns/issues
讨论区: https://github.com/routhleck/canns/discussions

CANNs 文档¶

可视化展示¶

1D CANN 平滑追踪

2D CANN 群体编码

Theta 扫描分析

Bump 分析

环面拓扑分析

关于 CANNs¶

快速安装¶

快速示例¶

社区和支持¶

索引和表格¶