场景 2：数据分析与神经解码

关于分析神经网络动力学、识别固定点和理解循环计算的综合教程。

Note

当前进展

  • ✅ 已完成: RNN 固定点分析教程 (FlipFlop 任务)

  • 🚧 整理中: 实验神经数据分析、空间解码、CANN 数据分析等教程正在整理中，敬请期待！

教程列表

RNN 动力学分析

教程概述

RNN 固定点分析教程 (FlipFlop 任务)

本教程详细介绍如何使用 FixedPointFinder 工具分析循环神经网络 (RNN) 的动力学特性：

  • 理论基础: 理解固定点在动力学系统中的概念

  • FlipFlop 任务: 训练 RNN 完成多通道记忆任务

  • 固定点查找: 使用优化方法识别稳定和不稳定固定点

  • 可视化分析: 通过 PCA 降维展示固定点在状态空间中的分布

  • 多配置对比: 对比 2-bit、3-bit、4-bit 任务的固定点结构

关键发现：对于 N-bit FlipFlop 任务，训练成功的 RNN 会学习创建 2^N 个稳定固定点，每个固定点对应一种独特的记忆状态组合。

学习路径

推荐顺序：

  1. 从固定点分析教程开始，理解 RNN 内部计算机制

  2. 学习如何将相同的分析方法应用到自己的 RNN 模型

  3. 探索不同任务下的动力学结构

先决条件

  • 对循环神经网络有基本了解

  • 熟悉 Python 编程和 JAX

  • 了解动力学系统的基本概念

相关资源

您可能会发现这些资源有帮助：