首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

大脑里真有ResNet!全球首张「果蝇大脑连接组」面世:耗费十余年,重建三千神经元,超50万突触!

---- 新智元报道   编辑:LRS 【新智元导读】果蝇幼虫大脑连接组有了,重建人类大脑还远远远远远...... ‍ ‍ 虽说现代的深度学习早已脱离对「生物神经网络」的模仿,但了解生物大脑的运行机制,对于神经网络模型的未来发展仍然很有帮助。 大脑回路的结构方式影响着大脑的计算能力,但到目前为止,除了在一些非常简单的生物体中,仍然还没有看到任何大脑的具体结构。 去年11月,来自剑桥大学、约翰霍普金斯大学、珍利亚研究园区等多家顶尖机构的研究人员在Biorxiv上传了一篇论文,经过十余年的艰苦研究,首次完

02
您找到你想要的搜索结果了吗?
是的
没有找到

「童年阴影」忘不掉?斑马鱼透明大脑研究或破解「恐惧记忆」形成机制

---- 新智元报道   编辑:LRS 【新智元导读】人类的记忆形成机制一直是一个谜。最近有生物学家通过观察斑马鱼透明大脑的方式观测到恐惧记忆的形成,跟传统的模型认知完全相反!与此同时,有学者表示论文的实验方法并不严谨。 俗话说,一朝被蛇咬,十年怕井绳。 每个人的内心里都记忆着曾经让自己恐惧的事物,在往后的日子里,一旦碰到类似的事物或事件就会十分害怕。 比如喝粥的时候,从天而降一只蜘蛛,那可能每次靠近粥的时候,都会想到一些不愉快的回忆。 但这种记忆形成的机制,以及为什么会产生类似的恐惧情绪,仍然没有

04

伙伴系统的概述

Linux内核内存管理的一项重要工作就是如何在频繁申请释放内存的情况下,避免碎片的产生。Linux采用伙伴系统解决外部碎片的问题,采用slab解决内部碎片的问题,在这里我们先讨论外部碎片问题。避免外部碎片的方法有两种:一种是之前介绍过的利用非连续内存的分配;另外一种则是用一种有效的方法来监视内存,保证在内核只要申请一小块内存的情况下,不会从大块的连续空闲内存中截取一段过来,从而保证了大块内存的连续性和完整性。显然,前者不能成为解决问题的普遍方法,一来用来映射非连续内存线性地址空间有限,二来每次映射都要改写内核的页表,进而就要刷新TLB,这使得分配的速度大打折扣,这对于要频繁申请内存的内核显然是无法忍受的。因此Linux采用后者来解决外部碎片的问题,也就是著名的伙伴系统。

02

迁移学习中如何利用权值调整数据分布?DATL、L2TL两大方法解析

深度神经网络的应用显著改善了各种数据挖掘和计算机视觉算法的性能,因此广泛应用于各类机器学习场景中。然而,深度神经网络方法依赖于大量的标记数据来训练深度学习模型,在实际应用中,获取足够的标记数据往往既昂贵又耗时。因此,一个自然的想法是利用现有数据集(即源域)中丰富的标记样本,辅助在要学习的数据集(即目标域)中的学习。解决这类跨领域学习问题的一种有效方法就是迁移学习:首先在一个大的标记源数据集(如 ImageNet)上训练模型,然后在目标数据集上进行模型调整更新,从而实现将已训练好的模型参数迁移到新的模型来帮助新模型训练。

02

揭秘睡眠的奥秘—高效修复神经元DNA损伤

俗话说,“熬夜一宿,魂都要丢”,俗话又说“中午不睡,下午崩溃”,睡觉对我们人甚至其他动物来说都是至关重要的。如果每天24个小时,8个小时用来睡觉,这么算下来人的一生1/3的时间都在睡眠中度过了。然而,我们每天身处快节奏的忙碌生活之下,为什么还要“浪费”很多时间用来睡觉呢?对于这个问题,研究者进行了不断的探索。近日,发表在《Nature Communications》杂志上的一项研究中,以色列巴伊兰大学的研究员发现睡眠可以增强单一神经元的染色体活力从而减少累积的DNA损伤,揭示了睡眠是怎样影响大脑单个神经元正常运作的。接下来,就让小编带领大家一起简单地回顾一下这篇文章。

00

AI键盘侠来了:DeepMind开始训练智能体像人一样「玩」电脑

来源:机器之心本文约3100字,建议阅读6分钟本文探究了训练智能体像人一样进行键盘和鼠标的基本计算机控制。 人类每天使用数字设备的时间长达数十亿小时。如果我们能够开发出协助完成一部分这些任务的智能体,就有可能进入智能体辅助的良性循环,然后根据人类对故障的反馈,改进智能体并使其获得新的能力。DeepMind 在这一领域有了新的研究成果。 如果机器可以像人类一样使用计算机,则可以帮助我们完成日常任务。在这种情况下,我们也有可能利用大规模专家演示和人类对交互行为的判断,它们是推动人工智能最近取得成功的两个因素。

03

AI键盘侠来了:DeepMind开始训练智能体像人一样「玩」电脑

机器之心报道机器之心编辑部 人类每天使用数字设备的时间长达数十亿小时。如果我们能够开发出协助完成一部分这些任务的智能体,就有可能进入智能体辅助的良性循环,然后根据人类对故障的反馈,改进智能体并使其获得新的能力。DeepMind 在这一领域有了新的研究成果。 如果机器可以像人类一样使用计算机,则可以帮助我们完成日常任务。在这种情况下,我们也有可能利用大规模专家演示和人类对交互行为的判断,它们是推动人工智能最近取得成功的两个因素。 最近关于 3D 模仿世界中自然语言、代码生成和多模态交互行为的工作(2021 年

02
领券