把 ToMnet+ 換成 SNN 的嘗試 目前可運作了，但細節上還有很多問題需要修正

0. Data Structure

file
0_parameters.py	PARAMS dict.、SNN para. 、 training para. 。	所有檔案都from_params import PARAMS，改參數都改在這裡
1_data_and_encoding.py	舊DataHandler->  PyTorchDataset``encode_to_spikes():  Poisson code(很陽春還要改)
2_snn_charnet.py	SNN_CharNet：Conv-LIF *2 -> Pool ->LSTMCell -> LIF -> FC	10 步 ->  8-D e-char
3_snn_prednet.py	SNN_PredNet_Advanced：(Query+e_char) 2 layees -> Spiking-GAT×2-> FC
**4_main_training_loop.py	目前只跑 train，沒 vali/test；loss 用ce_rate_loss()。

1. 參數

0_parameters.py:

TIME_STEPS	每張圖片有幾次 spike	>25 訓練會慢
CONV_CHANNELS		32→64
NUM_CLASSES	4 or 1024
INIT_LR

---

3. 接下來要搞的（Roadmap）

1. validation / testing
   • 現測試集超小＋標籤混亂。
   • 打算照 Tomnet-N 的合成策略補資料，但會加隨機遮罩避免模型只背統計。
   • 目標：把 Vali loop 加回來，早停不靠運氣。
2. STDP × surrogate 混合學習
   • 想法：Conv1 無監 STDP ➜ 凍結；後段用代理梯度。
   • 期望：收斂更快＆特徵更像 V1 欄柱。
3. snnTorch ≥ 0.6
   • 升級後直接用 snn.LSTM & 新 sf.stdp()；
   • 砍掉手搓 LSTMCell ＋自己疊 LIF，程式瘦身。
4. Hopfield 讀出 ★bonus
   • 把 PredNet 的 FC 換成稀疏量化 Hopfield，做模式補全。
5. 學習率調度 + 梯度裁剪
   • CosineAnnealingLR + clip_grad_norm_，救一下爆炸梯度。
6. 圖注意力 debug
   • adj 需 batch 化，e_char 先過 sigmoid 再 Poisson rate。

---

4. 我還想提醒

• 速度感人：CharNet 兩層 for-loop 很慢；下版會改向量化或 3D-conv。
• 熔掉 GPU？NUM_CLASSES=1024 時最後 FC 超肥；顯存不夠就先砍成 4。
• 版本地獄：Torch 2.1 + snnTorch 0.6.2 實測 OK；太舊的 snnTorch 沒有 LSTM / functional.stdp。
• Spike vs Mem：目前 char_net 回傳 membrane，用 spikegen.rate() 會怪怪的——下版會直接回傳 rate。

---

Happy hacking！有 bug 直接開 issue 或私訊我，我的口頭禪：「能跑先，優化後」。