如何构建 CANN 模型？¶

目标：完成本指南后，您将能够创建并运行一个基础的 CANN 模型。

预计阅读时间：10 分钟

介绍¶

在本库中构建 CANN 模型非常简单，这得益于与 BrainPy 的集成，BrainPy 是基于 JAX 构建的动力系统框架。本指南将向您展示如何：

设置 BrainPy 环境
创建 CANN1D 模型实例
初始化模型状态
运行简单的前向传播

基础知识：BrainPy 框架¶

CANN 模型使用 BrainPy 构建，它提供：

通过 bm.set_dt() 的统一时间步管理
用于管理神经动力学的状态容器（bm.Variable）
通过 bm.for_loop 的 JIT 编译以获得高性能
梯度分析的自动微分支持

所有 CANN 模型都继承自 bp.DynamicalSystem，这意味着它们在库中遵循一致的接口。

逐步指南：创建您的第一个 CANN¶

1. 设置时间步¶

在创建任何模型之前，您必须设置模拟时间步：

[ ]:

import brainpy.math as bm

# 设置时间步为 0.1 ms（或您偏好的值）
bm.set_dt(0.1)

为什么这很重要：时间步 dt 控制您模拟的粒度。您会话中的所有模型都将使用此值进行其动力学更新。

2. 导入并创建模型¶

[2]:

from canns.models.basic import CANN1D

# 创建有 512 个神经元的 1D CANN
cann = CANN1D(num=512)

这里发生了什么：

num=512 指定网络中的神经元数量
该模型自动设置连接权重、神经元位置和动力学参数
使用默认参数（例如连接强度 k、时间常数 tau），除非您指定其他参数

4. 运行前向传播¶

现在您可以调用模型来更新其状态：

[4]:

import jax.numpy as jnp

# 创建简单的外部输入（在位置 0 的刺激）
external_input = jnp.zeros(512)

# 运行一个时间步
cann(external_input)

# 访问模型的当前状态
print("突触输入：", cann.u.value)
print("神经活动：", cann.r.value)

突触输入： [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]
神经活动： [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]

发生了什么：

模型接收外部输入并更新其内部动力学
cann.u 存储突触输入（膜电位）
cann.r 存储神经放电速率（活动）
每次调用 cann(...) 将模型推进一个时间步（dt）

完整的工作示例¶

这是一个最小的、可运行的示例，将它们全部整合在一起：

[ ]:

import brainpy.math as bm
import jax.numpy as jnp
from canns.models.basic import CANN1D

# 步骤 1：设置时间步
bm.set_dt(0.1)

# 步骤 2：创建模型
cann = CANN1D(num=512)

# 步骤 3：创建以位置 0 为中心的高斯凸起刺激
positions = cann.x  # 来自 -pi 到 pi 的神经元位置
stimulus = jnp.exp(-0.5 * (positions - 0.0)**2 / 0.25**2)

# 步骤 4：运行多个前向传播
cann(stimulus)
cann(stimulus)
cann(stimulus)

# 步骤 6：检查输出
print(f"活动形状：{cann.r.value.shape}")
print(f"最大活动：{jnp.max(cann.r.value)}")

[6]:

cann = CANN1D(
    num=512,           # 神经元数量
    k=1.0,             # 全局连接强度
    tau=1.0,           # 时间常数（毫秒）
    a=0.5,             # 兴奋性连接宽度
    A=10.0,            # 兴奋性连接幅度
    J0=1.0,         # 外部输入强度
)

关键参数：

num：神经元数量（更高 = 更精细的空间分辨率，但速度更慢）
k：控制总体连接强度（更高 = 更强的自组织）
tau：动力学的时间常数（更高 = 变化更慢）
a：连接核的宽度（控制凸起宽度）
A：连接的幅度（影响稳定性）

对于大多数应用，默认值表现很好。我们将在核心概念部分探索参数调整。

运行多个时间步¶

在实践中，您将在循环中运行许多时间步。BrainPy 为此提供了优化的工具：

[ ]:

# 初始化状态

def step_function(t, stimulus):
    """运行模型的一个时间步。"""
    cann(stimulus)
    return cann.r.value  # 返回每个步骤的活动

# 为 100 个时间步创建刺激（这里是恒定刺激）
stimuli = jnp.tile(stimulus, (100, 1))

# 使用进度条运行优化循环
activities = bm.for_loop(
    step_function,
    operands=(jnp.arange(0, 100), stimuli),
    pbar=bm.ProgressBar(10)  # 显示进度
)

print(f"记录的活动形状：{activities.shape}")  # (100, 512)

❌ 错误 1：未设置时间步¶

[10]:

from canns.models.basic import CANN1D
cann = CANN1D(num=512)  # 使用之前设置的任何 dt（或默认值）

✅ 解决方案：在脚本开始时显式设置 dt：

[ ]:

import brainpy.math as bm
bm.set_dt(0.1)  # 首先设置 dt
cann = CANN1D(num=512)

❌ 错误 2：输入维度错误¶

[12]:

cann = CANN1D(num=512)
try:
    cann(jnp.zeros(256))  # 错误！输入大小与神经元数量不匹配
except Exception as e:
    print(f"按预期捕获错误：{e}")

按预期捕获错误：add got incompatible shapes for broadcasting: (512,), (256,).

✅ 解决方案：输入必须与 num 大小相同：

[13]:

cann = CANN1D(num=512)
cann(jnp.zeros(512))  # 正确的大小

关于 2D CANN？¶

相同的原理也适用于 2D 模型：

[ ]:

from canns.models.basic import CANN2D

bm.set_dt(0.1)

# 创建有 32x32 个神经元的 2D CANN
cann2d = CANN2D(32)

# 输入必须是 (32, 32) 形状
stimulus_2d = jnp.zeros((32, 32))
cann2d(stimulus_2d)

print(f"2D 活动形状：{cann2d.r.value.shape}")  # (32, 32)

API 几乎相同——只需调整您的输入维度！

后续步骤¶

现在您知道如何创建和运行 CANN 模型，您已准备好：

生成任务数据 - 学习如何创建平滑跟踪输入、导航任务等
探索模型集合 - 发现其他模型变体（SFA-CANN、分层网络、脑启发模型）
学习 BrainPy 基础 - 如果您想构建自定义模型或深入理解框架

快速参考：

[ ]:

# 创建任何 CANN 模型的模板
import brainpy.math as bm
from canns.models.basic import CANN1D

bm.set_dt(0.1)      # 1. 设置时间步
cann = CANN1D(num=512)              # 2. 创建模型
cann(stimulus)                      # 4. 运行前向传播
result = cann.r.value               # 5. 访问活动

有疑问？查看FAQ或打开GitHub Discussion。