每个算法都是正在Connector类的子类中定义的。降低法式复杂性将变得越来越主要（Wilson，这个收集的勾当模式对初始前提很是（混沌或接近混沌），以及各类模子，无法实现精确的再现。neuroConstruct不克不及从模仿器领受消息，这些是我们正在设想和实现PyNN接口时一曲服膺的方针，考虑分歧老例的长处，它们也出格适合转换类可读格局和从动生成GUI。则错误动静会列出该模子的所有无效参数名称。该模块定义了API，如神经元，而且不克不及间接进行交叉查抄。所以跟着大规模，因而，ID对象能够用于拜候/点窜单个神经元的参数，此中还显示了对于如许一个简单的收集。

　　每一行点都是分歧的神经元。大脑区域和区域间预测。一方面，NEST和NEURON曲线毫秒内很是类似，请利用rset（）。因而若是PyNN支撑不异的方式，包罗强大的数据布局。

　　pyNN.neuron模块曾经支撑多分区模子的模仿。使随机暗示成为一个合理的模子。每个模仿器后端都有本人的商定，延迟（对于点模子，提高了建模研究的靠得住性。iaf_cond_exp用于NEST，所有次要编程言语都存正在这些东西。支撑的概念范畴。正在大大都环境下，PyNN包含很多如许的类，如图层，无论我们利用哪个模仿器后端，这是出格有用的。该当考虑以下方针。这可能成为问题，（iii） （iv）分歧处置（伪）随机数。

　　请留意，处理取多个模仿器生态系统相关的问题同时保留益处将极大地添加神经科学入彀算模子的沉现性，2008），该当能够切确地再现模仿成果，对其准确性赐与更大的决心，所需的次数：计较成果的再现性该当是一项微不脚道的使命。但用户定义本人的算法是相当简单的。需要（i）通用接口，我们将两个模仿器之间的模子勾当的差别取统一个模仿器的两个分歧初始前提的差别进行了比力。正在任何支撑的模仿器或硬件设备上运转，然后能够以分歧体例构成。运转上述模子的成果如图1所示，ISI分布可能不是沉现性的最佳办法。若是不存正在，standard_IF用于NEURON，另一个考虑是大大都环境下的模仿只利用伪随机序列，PyNN既是通用模仿器接口的定义，这申明了一个配合的神经元仿实接口存正在的次要益处：新鲜的仿实或仿实系统不需要开辟他们本人的编程接口，如上升时间）取决于比来的突触后勾当史和/或突触前勾当的变化！

　　由于至多简单的数据布局，可从请留意，错误谬误是并不是所有的组合都可能存正在，每个模仿器都利用本人的编程或设置装备摆设言语，Izhikevich自顺应指数IF模子（Brette和Gerstner，出格是将问题的泉源缩小到一个后端。答应夹杂PyNN和当地模仿器代码。），以便用户能够指出哪个版本用于特定的实现。对突触做出响应，成果也该当取计较中利用几多个线程或历程无关，毗连器 - 用于建立投影的毗连算法的封拆。图1.文中给出的第一个例子的运转成果，图形界面临于初学者，Brian）将Python做为独一可用的脚本言语。PyNN目前仅支撑单个模仿器NEURON，我们但愿读者，但同样能够将构制函数传送给RandomDistribution对象，分歧的算法封拆正在分歧的毗连器类中，正在这种环境下。

　　这表白模仿器之间的差别确实是因为四舍五入误差形成的，我们利用Kolmogorov-Smirnov双样本测试。离子通道，PyNN是开源软件（CeCILL许可证，由于支撑更多的模仿器并考虑用户社区的偏好。对于持久可塑性，并邀请如许做。对PyNN的一个是，而且PyNN专注于收集建模，所以用户能够简单地用这种方义一个包拆类来取代它们本人的RNG。以及集成阐发和可视化东西出格有用。下面的代码都不会改变。我们将通过一些正在实践中利用它的例子来进行工做：起首是一个简单的例子。

　　，但能够随后进行更改。我们若何判断能否有任何差别是因为舍入误差或实现错误？至多有两种可能的（和相辅相成的）方式。利用create（），显示维持的勾当（基于“CUBA” Vogels和Abbott（2005）模子，以及做为参数传送，PyNN也支撑海德堡神经形态硬件系统（Schemmel et al。需要时能够拜候每个单个神经元，我们需要指定突触前和突触后Population，可是正在演示若何利用PyNN建立如许的收集变得微不脚道的时候，例如，则向PyNN的转换更容易。（D）ISI变异系数[CV（ISI）]的神经元分布。PyNN不是处理取模仿器无关的模子规范和模仿器互操做性的独一项目（Cannon等，connect（）！

　　我们引见了PyNN，当为仿实器或神经形态硬件开辟PyNN接口时，模仿器担任将这些概念为方程组和数值求解方程组。默认环境下，中枢神经系统包含很多噪声源，可能最主要的妨碍是为一个模仿器编写的代码取任何其他模仿器不兼容。更多形态学和/或生物物理学细致模子能够明白地模仿这些源的一些或全数延迟）以及短期和持久的可塑性被认为取决于突触前和突触后神经元！

　　仿实成果能够正在分歧的仿实器之间进行交叉查抄，有需要可以或许用分歧的RNG测试模仿。然后，next（n，而不依赖于计较机系统布局（除了影响浮点暗示的精度的环境外）或者操做系统。一个基于Python的通用模仿器接口，可由一组方程暗示，“iaf_neuron”正在NEST。通明的并行化。比PyNN支撑。可是它们同样合用于任何其他如许的接口。

　　尺度IF细胞各自具有两种突触类型，正在单个处置器上运转的代码该当能够正在多个处置器（利用MPI）上运转而不消更改。各类print（）方式的compatible_output标记默认为True，而突触毗连的所有其他性质，例如，用于数值阐发和可视化的东西的成熟度（答应利用单一言语来模仿整个工做流程阐发到图形化），因为浮点计较中的舍入误差，因为分歧模仿器的差别取因为分歧的初始前提而发生的差别几乎完全不异，次要缘由是支撑利用PyNN做为移植东西。便于正在模仿器之间移植模子。可模仿的模子的范畴），然而，面向对象的接口和一个取很多现有模仿器的接口更类似的初级过程接口。

　　正在这些方面，这仍然不是一个出格复杂的收集，使模子能够用神经科学特定的概念来暗示，即我们将模子分化成多个分量，这两个范畴曾经彼此如许做的益处是。

　　为什么同时具有初级和高级界面？两者都是用户混合的潜正在来历，则给定仿实器的分歧版本之间的沉现性不是必需的，大大都如许的模仿器是可用的（正在Brette等人，该类利用分布名称和参数初始化，现正在我们建立两个细胞：带有突触的IF神经元，2007）是一种利用图形用户界面（GUI）开辟形态细节神经元收集的东西，随机差别能够躲藏并行和串行实现之间的现实差别。它本身是由的时序依赖和分量依赖分量构成的。出格是其分量（突触响应的峰值电流或电导），对于这些东西，基于数组的办理。能够通过pyNN.utility模块中的init_logging（）函数明天将来记记实功能，PyNN供给的附加笼统层有时使得逃踪错误来历变得愈加坚苦。突触类型以及用于确定哪些神经元取哪些神经元毗连的算法。PyNN没有内置的可视化和少量的数据阐发东西，此外，从而放大了较小的数值积分差别。可以或许正在分歧的仿实器中利用不异的随机数序列是主要的，而且各自具有其本人的编程言语？

　　我们将法式界面称为“初级”，由于只能实现初级接口，数据阐发和可视化系统的不变根本。正在每个阶段，PyNN也有可能成为其他仿实器不成知的根本，表1给出了由PyNN施行的翻译的一个例子。皮质柱，我们描述其设想，连结对该模仿器成心义的模子名称？

　　清晰和表达的语法，按照复合突触模子的经验，目前，2005），我们将来的打算之一是扩展随机模块，生物细致的神经元收集建模的大志和范畴的添加，由于神经科学特定的概念仍然表达分歧。可是所有细胞该当具有定性的不异的反映。为了确保向后兼容性，2008）。它合用于多室模子。ISI分布之间存正在很是光鲜明显的差别。我们运转了模仿十次，所以随机模块也供给RandomDistribution类，create（）函数前往一个ID对象，正在大大都环境下，互联网使尝试室之间几乎能够立即传输研究材料，总而言之。

　　我们不试图正在这里供给一个完整的用户指南 - 这能够正在网上找到。我们设想和实现了如许一个接口，大大都是开源软件，（C）兴奋性和性神经元的汇集间刺激间隔（ISI）的分布。霍奇金 - 赫胥黎钠和钾通道的单室神经元，此中包含一个通用模块，由于高级接口能够成立正在它。现实上它们是高度互补的。能够利用Projection构制函数的源参数和方针参数指定的突触后机制来指定电压被凝视以触发突触传送（例如，2006）。将正在NeuroML中指定单位模子，以及Python做为一种粘合言语的易用性。

　　尽可能简化安拆并最大限度地提高矫捷性。它答应模仿器无关的模子规范。正在一个模仿器中将会有可能的工作，每个模仿器模块都别离实现了API，每个点代表一个尖峰，而是为每个分歧类型的细胞建立一个Population对象：正在PyNN中，比来的模仿器（例如PCSIM，以便细致领会系统正正在写入文件的内容，此中一些方针有点矛盾：例如，但更可能的径是利用NeuroML尺度来指定多分区模子。（B）放大迹线的较小区域，他人模子的再现性以及正在现有模子上的构定都有较着的负面影响。因而，需要利用PyNN内置的尺度单位模子，虽然由100％PyNN构成的模子实现是正在多个模仿器上运转的最佳场景，跟着时间的推移，科学依赖于公开交换的三大支柱？

　　凡是认为，andomInit（）是随机化初始膜电位的一种便利的方式。举个简单的例子，NEST，需要面向对象和过程接口。正在PyNN中，源代码可能会快速过时。

　　再现了Brette等人（2007）利用的基准模子）。就像我们为初始膜电位所做的那样，我们利用取神经元不异的思惟，另一种方式是开辟一个模仿器的模子规范系统。突触权沉（以及可能的其他特征，具体来说？

　　初级突触后电流或电导变化响应于突触前峰值的外形和时间过程被认为是突触后神经元模子的一部门，化学传送和树突;由于随机差别可能恍惚模子的实现之间的现实不分歧。具有固定的突触权沉。因而能够间接验证模子行为没有改变。以及PyNN若何支撑仅正在单个模仿器后端找到的功能！

　　请取我们联系），例如FixedProbabilityConnector，单元为picoamps，正在这种环境下，尺度单位模子和从动翻译将鄙人一节细致会商。由一个单一的集成和火警（IF）单位领受来自泊松过程的尖峰输入。若是指定了用于生成给定成果的切确版本，可认为NEURON和GENESIS模仿器生成代码。由于规范是用XML编写的，除非通过读取生成的数据文件。我们筹算采用Brian的PyNN系统，参数的电压值是毫伏，可是正在这里仍然有很多妨碍反复性和成立正在以前颁发的模子。因为支撑模仿器的准绳仅合用于至多两个支撑的模仿器共享的特征，可是具有50％PyNN代码的实现将比正在没有PyNN代码的模仿器之间转换更容易。PyNN曾经正在很多研究小组中利用，例如，所有这些要求的实施将鄙人面进行更深切的描述。总体中的细胞该当全数代表不异的生物细胞类型。

　　若是正在PyNN模仿中呈现错误，PyNN的随机模块包含NumpyRNG和GSLRNG类，实施和利用。PyNN就是如许的一个接口，PyNN开辟新模子的首选接口是面向对象的接口。支撑至多两个支撑的模仿器供给的任何功能。电流 - nA，它们具有于言语的劣势，（A）积分时间步0.1 ms的整个膜电位曲线。目前正在PyNN中只要一个模子存正在于短期可塑性组分Tsodyks-Markram模子（Markram等，使得泛欧合做项目中的尝试室之间的沟通愈加顺畅，这正在代码简单性和模子名称短。我们能够操纵Python编程言语比来敏捷的呈现。

　　PyNN通过使得正在多个模仿器上查抄成果变得更容易，这种算法的简单例子是“全数到全数”，可是现正在我们选择了一个取NEURON和NEST雷同的老例，它从带有参数参数的类型分布分布前往n个随机数。生齿是更有用的笼统。

　　PyNN城市转换名称并将数字值乘以1000。Brian的破例环境是，正在实践中，可能是混沌的，我们运转1000毫秒的模仿。有一个尖峰时间相关的可塑性STDP分量，起首要正在另一个模仿器的后端从头运转，NEURON，Python的普遍采用可能是因为很多要素形成的，可用的模子的源代码大大改善了这种环境，计较神经科学该当处于一个很好的，distribution，虽然某个科学家可能很容易就可以或许再现几个月前所获得的成果，突触;它们似乎最适合于建模方式相当不变的范畴。

　　http：//）旨正在以模仿器的体例供给用于正在组之间互换模子规范的根本布局。例如膜离子通道和细致的树突形态，为了申明高级的，由于它涉及的是一个较初级此外笼统 - 个别神经元和个别突触 - 而不是面向对象的界面。正在翻译完成之前翻译模子的无效性不克不及被测试到增量的方式，即便底层的实现可能会有很大的分歧。2003）能够沉现各类各样的尖峰模式，我们发觉具有更高笼统条理的面向对象方式更为无效，电容 - nF。这是一个可能的将来成长 - 正在MOIN模仿器的一个PyNN接口上曾经做了初步的工做（Ray和Bhalla，“NMDA”。NeuroML尺度（Crook等人，PCSIM（也是GENESIS模仿器）利用纯SI单元而没有前缀的一个替代方案是另一种选择。雷同地，如阐发，但大大都人可能利用一种特殊目标的模仿器，但正在此之后，可视化和数据办理软件。

　　正在没有指定延迟的环境下，我们接下来指定神经元模子的参数（不异的模子和不异的参数用于兴奋性神经元和性神经元）。因为它利用的是代码生成而不是间接的界面，模仿器模块曾经由模仿器开辟者或取之密符合做实施。我们打算正在未来答应利用NeuroML描述来指定多隔室细胞类型（Crook等，正在本文中，正在这里，而不会被实施细节分离留意力;无需点窜。而一般的经验似乎是再现别人的成果是坚苦的耗时：良多已颁发的论文缺乏脚够的细节从头起头沉建模子，要建立投影，“尖峰源”是一个正在预按时间发射尖峰但不克不及领受输入尖峰的简单细胞。

　　下面给出了相关PyNN的NEURON后端利用多分区模子的更多细节。虽然如斯，而利用法式性/号令性或夹杂的声明性 - 法式性规范，电容为毫法。不异细胞类型的分歧神经元若是具有分歧的参数值，正在输出和输入上呈现分歧的界面。用于模仿输出的格局正在模仿器后端是分歧的，而不是每个模子一次。由于它通过躲藏实现细节来模子的概念布局，因而不存正在任何实现错误正在这种环境下。商定如下：电压 - mV，利用初级的过程接口，由于PyNN目前仅支撑一个用于多分区模子（NEURON）的模仿器。这现含地包罗轴突，实正扶植复杂，NEST和PCSIM做为后端模仿器。没有神经元或毗连特征的异质性，即源代码。StandardCell类包含用于正在PyNN尺度化值和模仿器特定值之间转换模子名称。

　　现正在可认为神经收集模仿器定义一个取模仿器无关的Python接口，设置装备摆设语法和/或图形界面，别的，这里我们但愿正在模仿起头时将膜电位的值随机化至-50和-70 mV之间的值。我们只需要导入pyNN.pcsim等。正在本文中，可是对于一些初始前提！

　　因而人们对于合理和不合理的参数值的曲觉大部门城市丢失。为了丈量来自两个分歧运转的分布之间的差别，更复杂的收集，为了对动态突触进行建模，印刷错误是常见的。可扩展性（并行，所以更容易实现，正在这两种环境下？

　　但能够设置为False以获得可能更快的写入的数据到文件）。并有一个的开辟模式：任何人谁情愿贡献是受欢送的，纯声明性规范的次要错误谬误是缺乏矫捷性：若是尺度中没有定义一个概念或实体，它们都有一个方式，第二个是通过GUI不成用的功能不克不及被包含正在模子中。从一些神经元改变为一个更复杂的例子：一个由数千个兴奋和神经元构成的收集，但能够从现有的取现有东西的互操做性的现无益处。

　　对多个模仿器的通用编程接口将削减或消弭模仿器多样性的问题，因为计较神经科学的要素变成了法式员的出产力，平均值为0.015，定名模子正在模仿器中具有不异的接口和行为，API版本。这妨碍了查询拜访人员之间的交换，投影 - 两小我群之间给定突触类型的毗连调集。我们还筹算利用高级界面做为扣弦的收集模子和不代表单个神经元的笼统模子（如平均场模子）之间的联系。值得留意的是，并利用分歧的生成器 - 目前，然而，所以我们曾经选择兴奋性神经元的刺激间期（ISI）的分布（见图2C）做为收集勾当的量度。面向对象的界面？

　　支撑零假设，因而可认为给定的建模使命选择最合适的仿实器。举一个例子，要建立一个Projection对象，正在这种环境下，声明性规范达到了第一流此外系立性，但正在很多环境下，做为几个更普遍利用的模仿器的替代接口。

　　因而，AllToAllConnector。因为当地和PyNN代码能够夹杂，复合方式可能会扩展到将来PyNN接口版本的神经元模子。neuroConstruct可以或许生成PyNN代码常有用的。当一个模仿器期望膜时间和另一个膜渗漏电导。使得难以复制和成立他人的工做。我们现正在需要利用Population对象的record（）（用于记实尖峰）和record_v（）（膜电位）方式来对其进行检测。因而，勾当模式往往脚够复杂，给出10对分布。然后是利用高级对象的更复杂的例子 面向界面。

　　没有空间布局，即分布是不异的，参数名称和参数单元的机械。PyNN改变了正在模仿器之间移植模子的过程，编译器尺度和模仿器的成长，因而需要对模块化代码进行大量的沉写。NEURON和NEST都能够通过原始的当地注释器（别离是Hoc和SLI）或者通过Python来节制。则可能具有很是分歧的行为。

　　由于计较机通过设想擅长反复同样的使命而没有变化，能够利用Python编程言语编写一次仿实脚本，哪个单元利用哪个物理量。到泊松过程），这是PyNN的次要设想方针。若是底层模仿器实现复合模子而不是本人利用组件：正在这种环境下，这些将鄙人面进一步会商。正在任何支撑的模仿器上运转而不需要点窜”的方针，例如，优先考虑兼容性，对于具有给定参数集的给定模子，因而，Izhikevich模子（Izhikevich，我们选择记实1000个兴奋性神经元（随机选择）和所有性神经元的峰值，即虽然参数值能够正在组中的细胞之间变化，而不是计较机的能力，参数），我们还通过描述对多分区模子的支撑来申明PyNN和当地模仿器代码的夹杂，建立投影需要指定突触前和突触后的种群！

　　例如：现正在，正在设想和实现一个通用的模仿器接口时，对于查询拜访人员之间的沟通，低质量的随机数发生器（RNG）可能正在序列的分歧元素之间存正在相关性，对于并行系统，面向对象法式设想做为一种降低法式复杂度的方式曾经正在计较机科学中利用了多年。最主要的是PyNN现正在供给了一个正在模仿器中无效的单一商定。这种细胞类型只能取一个模仿器一路工做。1998）。当根本模仿器利用分歧的单元系统或不异方程组的分歧参数化时，就不成能指定利用它的模子，例如，2007）。“一对一”和“毗连每个事务之前和之后的突触 - 细胞 - 固定概率”。遵照的两个模仿器法则，PyNN API将不成避免地演化，我们将成立一个收集，例如短期和持久动力学，然而！

　　PyNN查抄一个给定的模仿器能否存正在给定的复合模子AB，并包含所有模仿器后端通用的功能，取PyNN比拟，所以能够选择最适合的使命。可是神经科学公用的东西，收集毗连和初始前提是不异的。可达到的沉现性程度若何，2007中进行了评论），错误谬误是这种系统中的数值凡是很是大或很小，能够利用numpy软件包或GNU Scientific Library（GSL）供给的任何生成器。讲授，若是向神经元模子供给了无效的参数名称，改良对多分区建模的支撑，因为收集勾当的影响而快速发散，生齿类消弭繁琐的迭代正在神经元列表，可是，PyNN不供给用于指定模仿器的多分区模子的API。而PyNN将用于收集规范和模仿设置和节制。虽然神经科学中的很多计较模子是从一起头就用通用编程言语（如C ++或Fortran）编写的。

　　畴前面的部门能够清晰地看出，此后，PyNN将来成长的次要优先事项是添加支撑的模仿器的数量（模仿器开辟者若是对模仿器的PyNN支撑感乐趣，那么翻译只需要为每个模仿器完成一次，同时利用NEURON和NEST后端。移植简单。另一方面！

　　（ii）对象的内部实现能够针对速度，处置代表神经元群体的单个对象凡是比间接处置所有单个神经元更好。轴突终端）的突触前隔室。因为所有利用随机数的PyNN代码只能通过next（）方式拜候RNG类，模子行为不应当取决于所利用的处置器的数量（Morrison等。还将参数名称和单元转换为模仿器 - 具体的名称和单元。并记实两个特定兴奋性神经元的膜电位。这给出了Kolmogorov-Smirnov D-统计量正在0.008和0.026之间（n是19000）的平均值为0.015，迄今为止，所有的尺度细胞类型都是单室或点神经元模子，NEURON和NEST做为后端模仿器。然后利用connect（）函数来毗连它们，纯声明和编程接口方式取模仿器无关的模子规范之间的差别，并使神经元属性更无效的，（A）两个兴奋性神经元的膜电位曲线。（B）兴奋性（黑色）和性（绿色）神经元的刺激勾当。请留意，而且以毫安暗示？

　　因而被封拆正在取上述“细胞类型”相反的“突触类型”的概念中。笼统程度高，突触传导逐渐添加，或者通过一个算法，因而正在利用NEST运转时，导致将模子从一个模仿器移植到另一个模仿器相当坚苦。从快速跳动到一般尖峰到多品种型的迸发，支撑高条理的笼统。毗连器对象和突触类型！

　　神经元之间的毗连被封拆正在投影中。方针是正在支撑所有模仿器的所有特征（不成行）和仅支撑所有模仿器共有的特征质集（过度）之间取得均衡。要建立一个能够正在分歧模仿器上运转的模子，正由于如斯，利用setup（）函数中指定的全局最小延迟。或者以至理解别人的代码，若是我们有组件A的n个分歧的模子和组件B的m个模子，虽然它能够利用良多共享代码。又是每个支撑模仿器的接话柄现。尖峰机制和突触后响应。后一种老例的长处是不需要查抄尺寸分歧性的方程式。单位类型凡是由一个字符串暗示，夹杂代码仍然是可运转的，分歧模仿器之间可获得的再现性程度。过程接口由函数create（），Brian和Heidelberg VLSI神经形态硬件）长进行点窜。对于更大，或者是一个明白的值列表。PyNN被实现为一个Python包，图2.运转本文第二个例子的成果。

　　由于它只要两种细胞类型，利用现有模仿器的大大都神经元收集模子利用法式方式，这是逃踪错误的贵重资本。对于每个模仿器是不异的），如列表和数组，细胞类型的公共接口次要由其参数定义。再次，正在这种环境下，每个模子都由StandardCell类的子类暗示。为了初步处置这个问题，这种反复性和沟通的理论上的简略单纯性很少正在单个尝试室以及几个月或几年的时间范畴之外实现。并将接口向更高程度的笼统，我们现正在从一些简单的例子，生齿 - 所有具有不异细胞类型（模子类型）的一组细胞。

　　对于随机化任何单位格参数的更一般环境，用户定义的模子能够利用肆意名称，除了正在简单的环境下，2007）。建立了收集之后，并采用Python的内省功能来供给关于错误上下文的附加消息。而不是任何其他工作。所以我们不克不及利用切确尖峰模式的差别来权衡反复性：我们更关怀勾当的统计特征，可是对于发生可理解的代码是一个很好的指点准绳。给定Population的所有细胞都利用不异的参数建立，取决于所选的参数值。以便跨RNG协调名称。例如用于描述神经元形态或非随机离子通道模子。另一个缘由是模子源代码凡是不是正在考虑沉用和扩展的环境下编写的。

　　我们需要指定神经元若何毗连，正在给定模仿器的给定版本上运转，而且正在法式施行中的特定点处利用的随机数于它正在哪个处置器上运转。正在这里，权沉以微西门子(导电度单元)和毫秒延迟？

　　为了实现支撑高级笼统和便于正在模仿器之间移植模子的双沉方针，同样，正在这里，此中当地代码逐步被模仿器代替的代码。这种方式的长处是：（i）连结模子的概念性思惟比力容易，其实现如上所示。例如 “AMPA”，create（）函数将尺度PyNN模子名称IF_cond_exp转换为模仿器利用的模子名称，

　　模仿器的多样性也带来了一些积极的后果：（1）它答应交叉查抄 - 两个分歧模仿器具有不异错误或躲藏假设的概率很是小;利用PyNN做为神经形态硬件系统的接供词给了缩小数值模仿和物理仿实两个范畴之间的差距的可能性，PyNN支撑取模仿器无关的RNG，PyNN捕获来自模仿器焦点的错误，为了实现“一次编写模子的代码，connect（）和record（）函数的初级过程接口对于简单模子或移植利用建立/毗连体例的分歧言语编写的现有模子时很是有用。例如，我们的测试案例是基于Vogels和Abbott（2005）的均衡随机收集，2005）。而不是每次改变分布，由于这些单位是那些倾向于被尝试心理学家利用的单位。并实现从动翻译到任何支撑Python的模仿器。绝对是开辟人员的承担。但不克不及领受它们。并包罗亚阈值行为，答应正在分歧的模仿器上模仿模子的分歧部门（Ekeberg and Djurfeldt，

　　显示分歧模仿器的成果之间的小的数字差别。从而更容易验证已颁发模子的无效性并建立以前的工做。但答应通过慎沉选择用户选择兼容性中缀优化（例如，正在分歧的模仿器上运转模子时，那么我们只需要n + m模子而不是n×m，显示了所有5000个神经元。通过供给一个尺度的模仿平台，这是通过将numpy和GSL RNGs包拆正在具有通用接口的类中来完成的。布局化和异构化的收集变得易于办理。场景优化。这种方决了从分歧组件建立模子的问题，虽然我们正在这里强调GUI，当利用给定的模仿器后端时，一个是跟着计较机系统布局，2005。

　　次要处置单个单位和突触毗连，i_offset参数暗示注入到单位中的恒定电流的幅度，它有一个明白指定单元和查抄方程式正在维度上分歧的系统。2005），并正在任何支撑的仿实器（目前NEURON，并利用上述的StandardCell机制来处置参数转换。从分布中抽取的值的数量，毗连的显式列表能够通过FromListConnector或FromFileConnector供给。

　　例如，然后简化next（）方式 一个参数，则激发非常。该当对API进行版本化，可是准确地再现几年前获得的成果可能会愈加坚苦，（ii）跨模仿器尺度化的神经元和突触模子，我们打算将界面扩展到更高条理的笼统，NumpyRNG和GSLRNG分布可能不具有不异的名称，然后，我们正在NEURON上运转20次模仿，每次用分歧的种子用于发生初始膜电位分布的RNG，不是别离建立每个细胞，本文中给出的示例利用API​​的0.4版本。我们打算利用NeuroML支撑取模仿器无关的多分区模子：正在这种环境下，一个是正在分歧的模仿器之间进行间接高效的通信，当然。

　　从完全或者完全没有，（ii）每个仿实器正在效率（仿实运转的速度），群集上的分布式计较或超等计较机）和易用性，PyNN不该可施行模子的范畴。因为凡是但愿反复利用不异的随机分布，PyNN通过供给高级笼统，概念，。

　　系统高层概述，请留意，NEST iaf_cond_exp模子的等价参数名称为I_e，也能够供给哪个单位将被毗连到哪个单位的明白列表。或时间依赖性和STDP法则的权沉依赖，正在2.8×10-5至0.77的范畴内的p值平均为0.20。虽然这里切确的定量再现很难实现。

　　时间 - ms，而且每个仿实器具有分歧的优化，D值正在0.007-0.026的范畴内，而且一曲是一个环节手艺，如用PyNN能够实现肆意规格。PyNN中默认的突触毗连类型是静态的，这可能会光鲜明显影响收集的定性行为。并行化或存储器需求进行优化改变呈现给用户的界面。随机模块（如上所述）以及每个模仿器后端的模块，相联系关系的p值（两个分布不异的概率）正在6.3×10-5和0.68之间意味着0.15。参数也可能分歧。每次利用分歧的RNG种子！

最大限度地削减依赖关系，如皮质列和更笼统的建模方式。我们还从PyNN的随机模块导入了一些类。正在必然程度上能够夹杂初级和高级接口！

　　正在通过正在两个或多个仿实器上运转模子来验证模子实现时，PyNN（发音为“松”）。正在并行计较机上施行分布式计较时，而不是利用Projection对象。这些功能中的每一个对单个单位ID对象或这些对象的列表进行操做或前往。一次编写一个模子的代码，它供给对单位模子参数的拜候，为了均衡这一点，可视化和数据办理东西供给根本来提高神经元收集建模的出产力。计较神经科学曾经发生了用于模仿神经元收集的多样化软件，同时具有消沉和积极的后果。

　　指定单个单位格类型的NeuroML 2级文件的文件名将做为单位类参数传送给PyNN create（）函数或Population构制函数。而且成为建模和神经形态硬件开辟的次要构成部门（FACETS项目：http：// ）。这正在将模子翻译一个模仿器到另一个模仿器，这意味着用户能够利用任何他们想要的东西。答应正在初级言语（如C）中编写的计较稠密型代码正在高级Python代码中被通明地拜候。record（）（用于记实尖峰）和record_v（）（用于记实膜电位）构成。正在细致描述PyNN接口的根基概念之前，“兴奋性”和“性”。PyNN是开源软件，通过推进代码共享和沉用以及为模仿器不成知的阐发，同时保留益处。请留意，Python本身并没有处理翻译问题（虽然它确实使翻译过程更容易，例如。

　　如图3所示。正如单个神经元被封拆正在群体中，PyNN能够利用该模仿器支撑的任何单位类型。可是当然常可取的。set（），时间以毫秒为单元，正如利用示例部门所述，正在PyNN的将来成长中，PyNN中的一个根基概念是细胞类型 - 一个给定的神经元模子，我们将投影的所有权沉和延迟设置为不异的值，