SpikingJelly：基于 PyTorch 的脉冲神经网络框架

SpikingJelly 是一个基于 PyTorch 的开源脉冲神经网络（SNN）深度学习框架，提供脉冲神经元建模、训练流程、加速后端与神经形态数据集支持，便于开展 SNN 研究与部署。

这个工具是什么

SpikingJelly 是一个基于 PyTorch 的开源脉冲神经网络（SNN）深度学习框架，面向 SNN 的大规模训练与推理。它采用 PyTorch 原生风格，用户可像定义普通 PyTorch 模型一样定义 SNN，例如使用 layer、neuron 和 surrogate 模块组合网络。框架提供基于激活的 SNN 组件，包括脉冲神经元、替代梯度、有状态与无状态模块，并内置预定义 SNN 模型。其能力覆盖 SNN 建模、训练工作流、性能优化、扩展、数据集、分析以及交换与部署。项目托管于 GitHub，主页为 spikingjelly.readthedocs.io，采用 NOASSERTION 许可证，主要语言为 Python。

核心能力

• 提供基于激活的 SNN 组件，包括脉冲神经元、替代梯度、有状态与无状态模块，以及预定义 SNN 模型。
• 支持 PyTorch 原生训练流程、在线学习工具与 ANN2SNN 转换，便于从人工神经网络迁移到脉冲网络。
• 提供 torch、cupy、triton 三种加速后端，以及 FlexSN 自定义神经元内核和混合精度训练工具（如 fp8）。
• 支持内存高效训练与分布式训练，并提供神经形态数据集及数据预处理流程。

科研中的典型用法

• 使用 layer、neuron 和 surrogate 模块搭建 SNN，并在神经形态数据集（如 DVS）上训练分类模型。
• 将已有 ANN 模型通过 ANN2SNN 转换流程迁移为 SNN，用于脉冲神经网络推理研究。
• 利用 FLOPs / SynOps / 内存访问分析和推理能耗估计，评估 SNN 模型的计算与能耗特性。

快速上手

SpikingJelly 基于 PyTorch，需先安装 PyTorch、torchvision 和 torchaudio。要求 Python >=3.11、PyTorch >=2.6.0（已在 2.7.1 测试）。安装稳定版：pip install spikingjelly；安装 V2 预发布版：pip install --pre spikingjelly；从源码安装：git clone 仓库后执行 pip install .。可选依赖包括 CuPy 后端（cupy-cuda12x 或 cupy-cuda11x）、Triton 后端（triton==3.3.1）、NIR 交换（spikingjelly[nir]）和 Lightning 集成（lightning jsonargparse[signatures]）。

生态与相近工具

同领域还有 NIR、Lava、Lynxi 等神经形态工作流相关工具，SpikingJelly 提供与它们的交换接口。若需要基于 PyTorch 的 SNN 建模、训练与 ANN2SNN 转换，可优先考虑 SpikingJelly；若侧重特定神经形态硬件或中间表示，可结合 NIR、Lava 或 Lynxi 接口使用。选择时需根据具体硬件平台、框架生态与部署需求权衡。

项目信息

• 仓库：fangwei123456/spikingjelly
• 星标：2,136　·　派生：322
• 主要语言：Python
• 许可证：NOASSERTION
• 最近提交：2026-09-19
• 项目主页：https://spikingjelly.readthedocs.io

本文属于《学科研究工具知识库 · 神经科学》第 2 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。