• Почему мы цепенеем от страха: влияние серотонина на локомоцию



      «Движение это жизнь», — сказала крыша и уехала. Эта шутка довольно «бородатая», но, как и в любой шутке, в ней также есть доля истины. Ведь действительно большинство животных на планете имеют свойство двигаться. В нашей культуре даже существует ряд метафор, крылатых фраз и оборотов, связанных с животными и их движениями: быстрый, как гепард; медлительный, как черепаха; грациозный, словно лань и т.д. Локомоция (т.е. движения) и ее отдельные аспекты у любого существа управляются определенными системами организма, от опорно-двигательного аппарата до центральной нервной системы. Но есть движения, которые ученые ранее не могли связать с каким-то определенным регулятором. К ним относится замирание от страха. Группа исследователей из Колумбийского университета выяснила, что ответственным за «оцепенение» является знакомый всем нам серотонин. Как ученые пришли к этому выводу, почему в опытах участвовали мушки-дрозофилы и какие подробности удалось выяснить? Об этом мы узнаем из доклада исследовательской группы. Поехали.
      Читать дальше →
      • +15
      • 5.9k
      • 8
    • Венеция: дикий профит на паре голых скал

        В посте про транспортную систему Венеции я обещал чуть больше рассказать про сам город и острова. Поэтому ниже — минутка пятничного урбанизма.



        Примерно в 452 году зажиточные крестьяне убегали от варваров под предводительством Аттилы, бродящих толпами по материку. Лагуна мелкая, но для переправы нужны лодки, потому что проплыть 6 километров на коне как-то сложно. Ну и Аттила законно подозревал, что десантирование на острова — далеко не его основной бизнес.

        Место оказалось внезапно удачным. Венеция находится в лагуне, которую образует куча рек, впадающих в море. Они несут песок и прочие штуки и лепят из этого острова. Вот по карте хорошо видно этот процесс:


        Эту картинку NASA открыла для Вики, а я добавил выделение Венеции

        Как видите, Венеция в центре лагуны, куда ведут только несколько проходов. Много позже их защитили фортами, но пока важно то, что лагуна мелкая, и надо быть нереально хорошим лоцманом, чтобы провести что-то с осадкой больше метра до высадки и не сесть на мель.

        Оставалась только одна проблема — вокруг был тотальный голяк. То есть можно было рыбачить, но зажиточные крестьяне всё же хотели большего. Ну и дальше пошла история Серениссимы, Светлейшей республики. Одной из самых странных стран в истории человечества: фактически, без территорий, но зато с обширными морскими владениями.
        Читать дальше →
      • PyTorch — ваш новый фреймворк глубокого обучения

          Gotta Torch?


          PyTorch — современная библиотека глубокого обучения, развивающаяся под крылом Facebook. Она не похожа на другие популярные библиотеки, такие как Caffe, Theano и TensorFlow. Она позволяет исследователям воплощать в жизнь свои самые смелые фантазии, а инженерам с лёгкостью эти фантазии имплементировать.


          Данная статья представляет собой лаконичное введение в PyTorch и предназначена для быстрого ознакомления с библиотекой и формирования понимания её основных особенностей и её местоположения среди остальных библиотек глубокого обучения.

          Fire walk with me
        • Чипы Intel Myriad X и их масштабируемость в инференсе нейронных сетей

          Нейростики Intel NCS2, чипы Myriad X, решения сторонних производителей — компания Intel продвигает решения на базе Myriad X в самых различных вариантах.


          Чем же так хороши эти ускорители? Во-первых, стоимостью одного FPS. Во-вторых, полной совместимостью с OpenVINO, где можно перенести существующие решения с CPU/GPU на стик или MyriadX без их доработки или дополнительной адаптации. Конечно же, адаптация это не особенность VPU, а, скорее, особенность OpenVINO, где каждая обученная сеть может работать на любой выбранной аппаратной платформе, будь то CPU, GPU, FPGA, VPU и выбор может быть сделан не до разработки, а после.
          Читать дальше →
        • Теория программирования: Вариантность

            Здравствуйте, меня зовут Дмитрий Карловский и я… хочу поведать вам о фундаментальной особенности систем типов, которую зачастую или вообще не понимают или понимают не правильно через призму реализации конкретного языка, который ввиду эволюционного развития имеет много атавизмов. Поэтому, даже если вы думаете, что знаете, что такое "вариантность", постарайтесь взглянуть на проблематику свежим взглядом. Начнём мы с самых основ, так что даже новичок всё поймёт. А продолжим без воды, чтобы даже профи было полезно для структурирования своих знаний. Примеры кода будут на псевдоязыке похожем на TypeScript. Потом будут разобраны подходы уже нескольких реальных языков. А если же вы разрабатываете свой язык, то данная статья поможет вам не наступить на чужие грабли.


            а вдруг там лис?

            Читать дальше →
          • Как работает оптимизирующий компилятор

            • Translation

            Оптимизирующие компиляторы — основа современного ПО: они позволяют программистам писать код на понятном для них языке, затем преобразуя его в код, который сможет эффективно исполняться оборудованием. Задача оптимизирующих компиляторов заключается в том, чтобы понять, что делает написанная вами входная программа, и создать выходную программу, которая делает всё то же самое, только быстрее.

            В этой статье мы рассмотрим некоторые из основных методик приведения (inference techniques) в оптимизирующих компиляторах: как спроектировать программу, с которой компилятору будет легко работать; какие приведения можно сделать в вашей программе и как использовать их для её уменьшения и ускорения.
            Читать дальше →
          • «Это тоже анализ данных». Разговор о биоинформатике с Михаилом Гельфандом

              Биоинформатика — чрезвычайно любопытная область научного знания, так как в ней соединяются задачи, формулируемые в биологических терминах, и методы, привычные для специалистов по алгоритмам, обработке больших данных и машинному обучению. Таким образом, биоинформатика — это один из примеров, когда IT может прийти на помощь при изучении реального мира.


              Недавно я побывал в гостях у Михаила Сергеевича Гельфа́нда в Институте проблем передачи информации. Мы поговорили о том, что такое биоинформатика, о её интересных приложениях, о том, чем могут быть полезны IT-специалисты в биоинформатике и что им для этого нужно выучить.


              Под катом этой статьи вы найдете полную расшифровку нашего разговора, а видео можно посмотреть на YouTube.



              Читать дальше →
            • Решаем уравнение простой линейной регрессии

              • Tutorial
              В статье рассматривается несколько способов определения математического уравнения линии простой (парной) регрессии.

              Все рассматриваемые здесь способы решения уравнения основаны на методе наименьших квадратов. Обозначим способы следующим образом:

              • Аналитическое решение
              • Градиентный спуск
              • Стохастический градиентный спуск

              Для каждого из способов решения уравнения прямой, в статье приведены различные функции, которые в основном делятся на те, которые написаны без использования библиотеки NumPy и те, которые для проведения расчетов применяют NumPy. Считается, что умелое использование NumPy позволит сократить затраты на вычисления.

              Весь код, приведенный в статье, написан на языке python 2.7 с использованием Jupyter Notebook. Исходный код и файл с данными выборки выложен на Гитхабе

              Статья в большей степени ориентирована как на начинающих, так и на тех, кто уже понемногу начал осваивать изучение весьма обширного раздела в искусственном интеллекте — машинного обучения.

              Для иллюстрации материала используем очень простой пример.
              Читать дальше →
            • Описание архитектур процессоров в LLVM с помощью TableGen

                На данный момент LLVM стала уже очень популярной системой, которую многие активно используют для создания различных компиляторов, анализаторов и т.п. Уже написано большое количество полезных материалов по данной тематике, в том числе и на русском языке, что не может не радовать. Однако в большинстве случаев основной уклон в статьях сделан на frontend и middleend LLVM. Конечно, при описании полной схемы работы LLVM генерация машинного кода не обходится стороной, но в основном данной темы касаются вскользь, особенно в публикациях на русском языке. А при этом у LLVM достаточно гибкий и интересный механизм описания архитектур процессоров. Поэтому данный материал будет посвящен несколько обделенной вниманием утилите TableGen, входящей в состав LLVM.

                Причина, по которой компилятору необходимо иметь информацию об архитектуре каждой из целевых платформ вполне очевидна. Естественно, у каждой модели процессора свой набор регистров, свои машинные инструкции и т.д. И компилятору нужно иметь всю необходимую информацию о них, чтобы быть в состоянии генерировать валидный и эффективный машинный код. Компилятор решает различные платформенно-зависимые задачи: производит распределение регистров и т.д. К тому же в бэкендах LLVM также проводятся оптимизации уже на машинном IR, который больше приближен к реальным инструкциям, или же на самих ассемблерных командах. В подобных оптимизациях нужно заменять и преобразовывать инструкции, соответственно вся информация о них должна быть доступна.
                Читать дальше →
              • Идея инерции(SGDm), идея масштабирования (Adagrad) и регуляризация в машинном обучении на примере задачи классификации

                  Датасет, используемый далее, взят с уже прошедшего соревнования на kaggle отсюда.
                  На вкладке Data можно прочитать описание всех полей.

                  Весь исходный код здесь в формате ноутбука.
                  Читать дальше →
                • Рубрика «Читаем статьи за вас». Июль — Сентябрь 2019



                    Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество!


                    Статьи на сегодня:


                    1. Layer rotation: a surprisingly powerful indicator of generalization in deep networks? (Université catholique de Louvain, Belgium, 2018)
                    2. Parameter-Efficient Transfer Learning for NLP (Google Research, Jagiellonian University, 2019)
                    3. RoBERTa: A Robustly Optimized BERT Pretraining Approach (University of Washington, Facebook AI, 2019)
                    4. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (Google Research, 2019)
                    5. How the Brain Transitions from Conscious to Subliminal Perception (USA, Argentina, Spain, 2019)
                    6. Large Memory Layers with Product Keys (Facebook AI Research, 2019)
                    7. Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches (Politecnico di Milano, University of Klagenfurt, 2019)
                    8. Omni-Scale Feature Learning for Person Re-Identification (University of Surrey, Queen Mary University, Samsung AI, 2019)
                    9. Neural reparameterization improves structural optimization (Google Research, 2019)
                    Читать дальше →
                  • Как быстро делать прототипы устройств и почему это важно. Доклад Яндекс.Такси

                      Любой технически сложный hardware-проект — всегда уравнение с множеством неизвестных: платформа, компоненты, технологии, производство, функциональность, реализуемость. «Пощупать», что получается, можно, когда пройдены дорогостоящие этапы: R&D, выбор комплектующих, разработка программ и поиск фабрики для производства.



                      Я уже подробно рассказывал на Хабре, как мы делали камеру для определения усталости водителя. Сегодня хочется сосредоточиться на том, что мы узнали при создании прототипа этого устройства, как при помощи прототипов быстро проверять гипотезы и какие платформы и компоненты лучше для этого использовать.

                      Читать дальше →
                    • Профессиональное выгорание айтишников: 15 ответов психиатра Максима Малявина

                        Burn out нечаянно нагрянет, когда его совсем не ждёшь. Когда человек впервые сталкивается с профессиональным выгоранием, у него возникают вопросы:


                        — Что со мной: осенняя хандра, депрессия или профессиональное выгорание?
                        — Что с этим делать?
                        — К кому идти за помощью?


                        Мы боимся признать, что у нас проблема. Тянем с походом к врачу, откладываем разговор с руководством. Пока синдром не разворачивается в полную силу, и всё летит кувырком — работа, карьера, семья.


                        Поэтому так важно разобраться в проблеме заранее, понять, что проблема решаема — и решаема разными способами.


                        В предыдущей статье мы рассмотрели, как видят профессиональное выгорание управленцы и рядовые сотрудники — те люди, которые хорошо знают реалии IT-индустрии, но не являются специалистами в психологии и психиатрии. Сегодня мы обратимся к опыту профессионального психиатра — он далёк от IT-сферы, зато хорошо знает, как функционирует наш мозг, и как лечить профессиональное выгорание и депрессию.


                        Я обратился за разъяснениями к психиатру Максиму Малявину. Хобби Максима не раз спасало меня от плохого настроения, а быть может и от начала профессионального выгорания. Его «Психиатрические байки» способны спасти от серости и печали будней не хуже, чем волшебная пилюлька бромдигидрохлорфенилбензодиазепина. А книги Максима «Записки психиатра, или Всем галоперидолу за счёт заведения!» и «Новые записки психиатра, или Барбухайка, на выезд!» давно прописались на моей книжкой полке.



                        Читать дальше →
                      • Нейрофизиолог рассуждает о проекте Neuralink и рассказывает о работе мозга «на пальцах»


                          Слева — нейрофизиолог Елена Белова, справа — робот-хирург Neuralink

                          Летом 2019 прошла презентация стартапа Neuralink, цель которого — создать интерфейс типа «мозг—машина». Илон Маск рассказал, что компании удалось наработать за несколько лет с момента основания. Представили робота-хирурга, гибкие нити для подключения чипов к мозгу и эффективные алгоритмы обработки сигналов. Мы встретились с нейрофизиологом, чтобы поговорить о том, что же такое Neuralink: бизнес и маркетинг или реальный научный прорыв?

                          На вопросы терпеливо отвечала Елена Белова — биохимик и биоинформатик по образованию, нейрофизиолог и иллюстратор по роду занятий, старший научный сотрудник Лаборатории клеточной нейрофизиологии человека Института химической физики.

                          Глупые вопросы задавал Иван Звягин, который прочитал несколько научно-популярных книг о работе мозга и эволюции.
                          Читать дальше →
                        • 30.000$ за решение задач о Правиле 30 для клеточных автоматов — конкурс от Стивена Вольфрама

                          • Translation

                          Оригинал перевода в моём блоге

                          Прямая трансляция Стивена Вольфрама о конкурсе (на английском)

                          Сайт конкурса

                          Поясним для читателей, что означает «Правило 30» — это элементарный клеточный автомат (см. Wiki), состояние которого (правило построения нового уровня ячеек на основе старого) в двоичной системе счисления задается как 0-0-0-1-1-1-1-0, что можно интерпретировать как 30 в десятичной системе счисления.

                          Итак, с чего все началось? — «Правило 30»


                          Как может быть так, что что-то невероятно простое производит на свет что-то невероятно сложное? Прошло уже почти 40 лет с того момента, как я впервые познакомился с Правилом 30, но оно до сих пор поражает меня и приводит в восторг. На долгое время оно стало моим личным любимым открытием в истории науки, за эти годы оно изменило все мое мировоззрение и привело меня к разнообразным новым типам понимания науки, технологий, философии и многому другому.

                          Но даже спустя столько лет существует еще много базовых понятий о Правиле 30, которые остаются для нас недоступными. И поэтому я решил, что пришло время сделать все возможное, чтобы стимулировать процесс выявления основного набора этих базовых закономерностей.

                          Итак, сегодня я предлагаю соискателям 30000 долларов США в качестве общей суммы призов за ответы на три основных вопроса о Правиле 30.

                          Правило 30 чрезвычайно просто:
                          Существует последовательность строк черных и белых клеток (ячеек) и, учитывая конкретную строку чёрно-белых ячеек, определяются цвета ячеек в строке ниже, рассматривая каждую ячейку в отдельности и ее смежных соседних ячеек, затем к ним применяется следующее простое правило подстановки, а именно:


                          Код
                          RulePlot[CellularAutomaton[30]]
                          [Посмотрите ролик, в котором за пару минут рассказывается суть клеточных автоматов и Правила 30 — примечание переводчика]
                          Читать дальше →
                        • Человеческое сознание. Перенести нельзя скопировать?


                            Предыдущая статья на эту тему вызвала к жизни бурное обсуждение в количестве более четырехсот комментариев, среди которых, как водится, не было ни одного умного (шутка). В принципе, это и неудивительно. Такая же ситуация обстоит, например, с лингвистикой. Как говаривал гениальный и увы, уже покойный академик Андрей Зализняк, поскольку каждый человек свой язык знает, а лингвистика она про язык, то почему бы ему и не разбираться в ней, так сказать, априори. И как мы знаем, также уже почивший сатирик Михаил Задорнов со своими изысканиями в области русского языка не даст соврать:

                            «А слово «Богатырь» образовано из двух слов – «бог» и «тырить».

                            С самосознанием, сознанием, самоосознанием, самостью, внутренним «я», личностью — дело обстоит примерно также. Поскольку это всё есть внутри головы почти у каждого из нас, то почему бы нам не родить ещё парочку-тройку умных мыслей и предположений по этому поводу, коль скоро философы спорят на эту тему уже две тысячи лет, а учёные и психологи лет двести и всё никак не могут докопаться до истины. Ещё правда, есть нейробиологи-томограферы, которые всё делают через томограф, но это каста относительно молодая и в основном они смотрят «где» и «что» в голове происходит, не объясняя «как». У них на это, правда, есть свои резоны, к которым мы ещё вернемся.
                            Читать дальше →
                          • Эволюционирующие клеточные автоматы



                              Соединим клеточные автоматы с генетическим алгоритмом и посмотрим, что из этого получится.

                              В статье присутствуют Gif (трафик!) и контрастные картинки. У эпилептиков может случиться эпилептический припадок.
                              Читать дальше →
                            • Пытаясь композировать некомпозируемое: стыковочные схемы

                                Введение


                                В Haskell принято работать с эффектами как с функторами, объектами которых являются некоторые выражения, которые нам интересны в данный момент.

                                Когда мы видим тип выражения Maybe a, мы абстрагируемся от фактического существования некоторого a, сконцентрировав все внимание именно на этом a. Та же история с List a — множественные значения a; State s aa, зависящая от некоторого текущего состояния; Either e aa, которое может вернуть некоторую ошибку e.
                                Читать дальше →
                              • Кластеризуем лучше, чем «метод локтя»

                                • Translation


                                Кластеризация — важная часть конвейера машинного обучения для решения научных и бизнес-задач. Она помогает идентифицировать совокупности тесно связанных (некой мерой расстояния) точек в облаке данных, определить которые другими средствами было бы трудно.

                                Однако процесс кластеризации по большей части относится к сфере машинного обучения без учителя, для которой характерен ряд сложностей. Здесь не существует ответов или подсказок, как оптимизировать процесс или оценить успешность обучения. Это неизведанная территория.
                                Читать дальше →
                                • +24
                                • 3.7k
                                • 7
                              • Posit-арифметика: победа над floating point на его собственном поле. Часть 1

                                • Translation
                                Часть 2

                                От переводчика: Тема формата Posit уже была на хабре здесь, но без существенных технических подробностей. В этой публикации я предлагаю вашему вниманию перевод статьи Джона Густафсона (автора Posit) и Айзека Йонемото, посвящённой формату Posit.
                                Так как статья имеет большой объём, я разделил её на две части. Список ссылок находится в конце второй части.




                                Новый тип данных, называемый posit, разработан в качестве прямой замены чисел с плавающей точкой стандарта IEEE Standard 754. В отличие от ранней формы — арифметики универсальных чисел (unum), стандарт posit не требует использования интервальной арифметики или операндов переменного размера, и, как и float, числа posit округляются, если результат не может быть представлен точно. Они имеют неоспоримые преимущества над форматом float, включая больший динамический диапазон, большую точность, побитовое совпадение результатов вычислений на разных системах, более простое аппаратное обеспечение и более простую поддержку исключений. Числа posit не переполняются ни в сторону бесконечности, ни до нуля, и «нечисла» (Not aNumber, NaN) — это действия, а не битовые комбинации. Блок обработки posit имеет меньшую сложность, чем FPU стандарта IEEE. Он потребляет меньшую мощность, и занимает меньшую площадь кремния, таким образом, чип может выполнять существенно больше операций над числами posit в секунду, чем FLOPS, при тех же аппаратных ресурсах. GPU и процессоры глубокого обучения, в частности, могут выполнять больше операций на ватт потребляемой мощности, что позволит повысить качество их работы.
                                Читать дальше →