Information

Dienstprogramm oder Software zur Visualisierung von Neuronalen Netzwerken?

Dienstprogramm oder Software zur Visualisierung von Neuronalen Netzwerken?

Ich verwende Octave, um ein neuronales Netzwerk mit einer einzelnen versteckten Schicht zu generieren und es als zwei CSV-Dateien zu speichern.

Gibt es ein Dienstprogramm oder eine Software, die die Dateien lädt und eine Bild-, PDF- oder HTML-Seite erstellt, die die Gewichte über Kanten anzeigt, die Neuronen verbinden?


Wenn Sie CSV-Dateien haben, können Sie Bilder schnell erstellen, indem Sie sie in Excel (oder einer ähnlichen Tabellenkalkulationssoftware) öffnen und eine Art bedingte Formatierung der Farbskala verwenden (unter Home>Stile in Microsoft Excel) - Legen Sie die Breite und Höhe von . fest die Zellen zu klein, um alle Daten auf einmal anzuzeigen.

Sie können auch ein Oberflächendiagramm verwenden, um die Daten in Excel zu visualisieren.

Andernfalls, wenn Sie mit einem Werkzeug wie Matlab oder R vertraut sind, möchten Sie möglicherweise eine Art grafisches Werkzeug verwenden, um es darzustellen, z. meshgrid in Matlab könnte funktionieren.

Matlab und/oder R können so programmiert werden, dass sie mehrere CSV-Dateien laden und daraus Grafiken erstellen. Die ersten beiden Techniken, die ich erwähnt habe (obwohl sie für einen unerfahrenen Computerbenutzer zugänglich sind) müssen manuell ausgeführt werden.


Für das, was es wert ist, habe ich viel recherchiert und keine Lösung gefunden.

Also habe ich meine eigenen mit HTML, jQuery und einer Leinwand erstellt. Es ist nicht schön, aber es erfordert nicht viel Arbeit, denn die Funktionalität ist einfach: Wenn Sie auf einen Knoten klicken, zeigen Sie seine Kanten und die zugehörigen Gewichte an.


Kostenlose Open-Source-Software für künstliche Intelligenz für Mac

Discuss.io bietet eine End-to-End-Konversationsplattform für Verbraucher, die branchenführende Videos mit qualitativen Recherchetools kombiniert.

BugHerd wurde von Webentwicklern für Entwickler, Designer, Vermarkter und Projektmanager entworfen und gebaut.

Machine-Learning-Software zur Lösung von Data-Mining-Problemen

JTDS - SQL Server und Sybase JDBC-Treiber

Tesseract-OCR

Gürteltier

schnelle C++-Bibliothek für lineare Algebra und wissenschaftliches Rechnen

Zentralisieren und optimieren Sie das Management indirekter Steuern im gesamten Unternehmen.

TensorFlow

TensorFlow ist eine Open-Source-Bibliothek für maschinelles Lernen

LabelImg

Grafisches Bildanmerkungswerkzeug und Begrenzungsrahmen für Beschriftungsobjekte

Robocode

Robocode ist ein Programmier-Panzerspiel für Java und .NET

AirSim

Ein Simulator für Drohnen, Autos und mehr, basierend auf der Unreal Engine

Computer Vision Annotation Tool (CVAT)

Interaktives Video- und Bildkommentar-Tool für Computer Vision

Zoho Assist, Ihre All-in-One-Remotezugriffslösung, hilft Ihnen beim Zugriff auf und der Verwaltung von Remote-Geräten.

Keras

Python-basierte neuronale Netzwerk-API

Neuronale Netzwerkintelligenz

AutoML-Toolkit zur Automatisierung des Lebenszyklus des maschinellen Lernens

Offenes Gesicht

Ein hochmodernes Toolkit zur Analyse des Gesichtsverhaltens

CLIPS regelbasierte Programmiersprache

Gesichtserkennung

Die einfachste Gesichtserkennungs-API der Welt für Python und die Befehlszeile


Neurowissenschaftler visualisieren neuronale Schaltkreise in unerreichbaren Tiefen

Abbildung 2: Visualisierung von fluoreszenzmarkierten Neuronen innerhalb eines rechteckigen Volumens, das Zellen in der Großhirnrinde und im Hippocampus umfasst. Dieses Bild wurde mit einem speziellen Objektiv aufgenommen, das eine Penetration bis zu einer Tiefe von 4 Millimetern unter der Gehirnoberfläche ermöglicht. Bildnachweis: 2011 Atsushi Miyawaki

Ein kürzlich von Wissenschaftlern des RIKEN Brain Science Institute in Wako erzielter Durchbruch in der biologischen Probenvorbereitung könnte Astro Boys „Röntgensicht“ auf die Probe stellen. Durch die Behandlung von Gewebeproben mit einem einfach zuzubereitenden Chemikalienmix können Atsushi Miyawaki, Hiroshi Hama und ihre Kollegen das Gehirn und andere Gewebe glasklar machen, eine reversible Transformation, die Forschern einen ungehinderten Blick auf fluoreszenzmarkierte Zellen ermöglicht, die sich darin befinden1 .

Jahrzehntelang haben die Grenzen der verfügbaren Technologie Versuche vereitelt, die schwindelerregenden Drehungen und Wendungen des Gehirns abzubilden. Neurowissenschaftler haben bei einfacheren Organismen wie dem Wurm oder der Fliege einige Erfolge erzielt, indem sie mit winzigen Klingen nacheinander ultradünne Gewebestreifen abziehen, die dann mittels Elektronenmikroskopie abgebildet und rechnerisch wieder zusammengesetzt werden können. Dieser Ansatz ist jedoch viel zu arbeits- und zeitaufwendig, um ein so komplexes System wie das Nervensystem von Säugetieren zu rekonstruieren.

Neuere Durchbrüche in der optischen Mikroskopietechnologie und ein schnell wachsendes Arsenal mehrfarbiger fluoreszierender Proteine ​​haben Forschern wirksame neue Werkzeuge für die Gehirnkartierung an die Hand gegeben. Durch die Beschränkung der Expression spezifischer Fluoreszenzmarker auf bestimmte Untergruppen von Zellen kann man neuronale Schaltkreise in ihrem natürlichen, dreidimensionalen Kontext klar visualisieren durchdringen.

Mehrere Forschungsgruppen haben „Clearing Agents“ entwickelt, die die Transparenz biologischer Proben verbessern, wie Benzyl-Alkohol/Benzyl-Benzoat (BABB) und eine proprietäre Lösung namens FocusClear, aber jedes leidet unter wichtigen Einschränkungen. “BABB ist ein organisches Lösungsmittel, das eine Dehydratisierung der zu klärenden Proben erfordert,”, sagt Miyawaki. Er fügt hinzu, dass eine solche Behandlung die Gesamtfluoreszenz der Proben stark verringern kann, “und FocusClear klärt keine Mausgehirnproben [leicht].” Dementsprechend könnte die Entwicklung seines Teams des Reagenzes, das sie ‘Scale’ nennen, neue Grenzen öffnen bei der Bildgebung des Gehirns von Mäusen.

Scale entstand zunächst aus der unerwarteten, zufälligen Beobachtung, dass Membranen aus dem Material Polyvinylidenfluorid, die normalerweise weißen Papierbögen ähneln, beim Tränken in einer hochkonzentrierten Harnstofflösung vollständig transparent werden. Durch Herumbasteln an dieser Lösung kamen Miyawaki und Kollegen zu ScaleA2, einer Mischung, die das gleiche Kunststück mit biologischem Gewebe vollbringt.

ScaleA2 kann ein Mausgehirn innerhalb von zwei Wochen im Wesentlichen transparent machen (Abb. 1). Diese Behandlung führt auch dazu, dass das Gewebe aufgrund der Wasseraufnahme anschwillt, aber die Forscher stellten fest, dass die Proben ihre Gesamtform und Proportionen beibehalten, was darauf hindeutet, dass diese Ausdehnung die Anordnung der abgebildeten Zellstrukturen nicht wesentlich beeinflusst.

In einem ersten Test ihres bildgebenden Ansatzes fanden Miyawaki und Kollegen heraus, dass Zellen in mit ScaleA2 behandelten Proben ihre Fluoreszenzmarkierungen vollständig beibehielten, während mit BABB behandelte Gewebe ein stark vermindertes Signal ergaben. Noch wichtiger ist, dass die durch ScaleA2 induzierte Transparenz es den Forschern ermöglichte, viel tiefer im Gehirn zu visualisieren als zuvor, selbst wenn sie standardmäßige ‘Ein-Photonen-Mikroskopie-Ansätze verwenden, die normalerweise anfällig für Streuung und Hintergrundbildinterferenzen sind.

“Obwohl die Abbildungstiefe der Zweiphotonen-Anregungs-Fluoreszenzmikroskopie normalerweise bei etwa 0,7 Millimeter im Gehirn liegt, konnten wir fluoreszierende Neuronen mit Scale bis zu einer Tiefe von 2 Millimetern unter der Gehirnoberfläche abbilden“, sagt Miyawaki. Durch die Konstruktion eines speziellen Mikroskopobjektivs konnten sie noch weiter vordringen, bis zu einem beispiellosen Arbeitsabstand von 4 Millimetern unter die Gehirnoberfläche (Abb. 2). Der Detaillierungsgrad von ScaleA2 erwies sich als ausreichend, um die axonalen Verbindungen zwischen Neuronen im Corpus callosum, der Brücke zwischen den Hemisphären des Gehirns, zu kartieren und auch die Interaktion zwischen neuralen Stammzellen und dem Gefäßsystem innerhalb der Entwicklung zu analysieren Maus Gehirn.

Abbildung 1: Nach zweiwöchiger Behandlung mit ScaleA2 ist das Mausgehirn transparent genug (links), um problemlos vom Licht eines Laserstrahls (rechts) durchquert zu werden. Quelle: 2011 H. Hama et al.

Da nicht alle Proben gleich sind, experimentierten Miyawaki und Kollegen auch mit alternativen Scale-Formulierungen für spezielle Bildgebungsanwendungen. Eine davon, ScaleU2, erfordert eine längere Probeninkubation, führt jedoch zu einer geringeren Gewebeexpansion und kann daher Vorteile für die Verwendung mit embryonalen Proben oder anderen empfindlichen Geweben bieten. In einem vorläufigen Experiment an 13,5 Tage alten Mausembryonen verwendeten die Forscher ScaleU2, um Regionen aktiver Zellteilung im Zwischenhirn im Vorderhirn zu visualisieren.

Wichtig ist, dass sich die Effekte der Scale-Behandlung als vollständig reversibel erwiesen, und Proben, die sich von der Klärung erholt hatten, erwiesen sich als nicht von ihren ungeklärten Gegenstücken zu unterscheiden, was die minimalen Auswirkungen dieser Behandlung auf die Gewebestruktur bestätigte.

Ein klarer Blick in die Zukunft

Einige Forscher haben besonders ehrgeizige Strategien für die Kartierung neuronaler Schaltkreise entwickelt, wie die an der Harvard Medical School entwickelte ‘Brainbow’-Maus, die eine große Anzahl verschiedener fluoreszierender Proteine ​​kombiniert, um das Mausgehirn in eine schillernde Lichtshow zu verwandeln, in der praktisch jedes Neuron hebt sich deutlich von seinen Nachbarn ab. Miyawaki ist der Ansicht, dass Scale solche Bemühungen in hohem Maße ergänzen sollte. “Alle bisher getesteten fluoreszierenden Proteine ​​sind resistent gegen hohe Harnstoffkonzentrationen und sollten verwendbar sein,”, sagt er, “und daher sollte dieser Ansatz mit Brainbow kompatibel sein.”

Sein Team arbeitet bereits an Kooperationen, um Scale auf gezielte Untersuchungen an Mäusen anzuwenden. Obwohl sich die bisher beschriebenen Arbeiten auf genetisch exprimierte Fluoreszenzmarker konzentrierten, sollte dieser Ansatz auch mit anderen Markierungsmethoden kompatibel sein. Sobald solche Techniken entwickelt wurden, sollte sich Scale bei der Arbeit mit größeren Gewebeproben von Arten als wirksam erweisen, die nicht ohne weiteres einer genetischen Veränderung zugänglich sind, wie beispielsweise Primaten.

Die größte Einschränkung, die Miyawaki derzeit sieht, ist die Notwendigkeit, mit „totem“ Gewebe zu arbeiten, aber er schlägt vor, dass sich auch dies ändern könnte. “Scale ist derzeit auf fixierte biologische Proben beschränkt,”, sagt er, “aber irgendwann in der Zukunft könnte es ‘live Scale’ geben.”


Kostenlose Open-Source-Windows-Software für künstliche Intelligenz

Übertragen Sie Rechnungen und Abonnementrechnungen ganz einfach in Ihr Buchhaltungssystem.

Die Nr. 1 für totales Wohlbefinden

Machine-Learning-Software zur Lösung von Data-Mining-Problemen

DeepFaceLab

Die führende Software zum Erstellen von Deepfakes

Programmieren ohne Codiertechnik

Software erstellen, ohne eine einzige Codezeile schreiben zu müssen

JTDS - SQL Server und Sybase JDBC-Treiber

Verbinden Sie sich sofort und direkt mit Ihrem Publikum durch Textnachrichten in großem Umfang.

Tesseract-OCR

Gürteltier

schnelle C++-Bibliothek für lineare Algebra und wissenschaftliches Rechnen

TensorFlow

TensorFlow ist eine Open-Source-Bibliothek für maschinelles Lernen

LabelImg

Grafisches Bildanmerkungswerkzeug und Begrenzungsrahmen für Beschriftungsobjekte

Robocode

Robocode ist ein Programmier-Panzerspiel für Java und .NET

Gehosteter Checkout, API-Integration oder E-Commerce-Erweiterung – wir sind für Sie da.


So visualisieren Sie ein neuronales Netz

Ich möchte ein dynamisches Bild für ein neuronales Netzwerk zeichnen, um die Gewichtsänderungen und die Aktivierung von Neuronen während des Lernens zu beobachten. Wie könnte ich den Prozess in Python simulieren?

Genauer gesagt, wenn die Netzwerkform: [1000, 300, 50] ist, möchte ich ein dreischichtiges NN zeichnen, das 1000, 300 bzw. 50 Neuronen enthält. Außerdem hoffe ich, dass das Bild die Sättigung der Neuronen auf jeder Schicht während jeder Epoche widerspiegeln könnte.

Ich habe keine Ahnung, wie es geht. Kann mir jemand etwas Licht ins Dunkel bringen?


Diskussion

In dieser Studie haben wir einen Facettenatlas erstellt, um den aktuellen Stand der Persönlichkeitsmerkmalsmessung auf Facettenebene zu organisieren und zusammenzufassen. Um den Nutzen dieses Atlas zu veranschaulichen, haben wir die Prävalenz von gemischten Facetten untersucht, Kern- und periphere Facetten für jede der Big Five identifiziert und untersucht, wie Forscher diesen Facettenatlas verwenden können, um bestimmte Konstrukte und Messungen besser zu verstehen. Im Folgenden diskutieren wir die Implikationen dieser Forschung für die angewandte Persönlichkeitsbewertung und unser konzeptionelles Verständnis der Persönlichkeitsstruktur.

Die Prävalenz von gemischten Facetten

Die meisten Skalen (59 %) enthielten eine Mischung aus mehreren Big-Five-Domänen. Obwohl wir sicherlich nicht die ersten sind, die auf das Fehlen einer einfachen Struktur in der Persönlichkeitshierarchie hinweisen (siehe [11,15,30]), scheinen grundlegende und angewandte Persönlichkeitsforscher diese komplexe, gemischte Realität nur ungern in die Persönlichkeitsbewertung und -theorie zu integrieren. wie durch die einfache Struktur belegt, die in den meisten nicht zirkumpliziellen Persönlichkeitsmessungen impliziert wird (z. B. [8,10,12]). Eine umfassendere Anerkennung der Prävalenz von Blended Content in Facettenskalen kann die Angemessenheit zwischen Maßnahmen erhöhen und strukturelle Theorien verbessern.

Die Ergebnisse zeigten auch, dass drei spezifische Domänenkombinationen üblicherweise durch Mischungen repräsentiert wurden. Eine davon, die Mischung aus Verträglichkeit und Extraversion, spiegelt den bekannten zwischenmenschlichen Zirkel wider [23]. Zwei andere Mischungen, zwischen Verträglichkeit und Neurotizismus und zwischen Gewissenhaftigkeit und Offenheit, waren ebenfalls üblich, wurden aber empirisch weniger beachtet. Mischungen aus Verträglichkeit und Neurotizismus können einen Zirkumplex bilden, der zwischenmenschliche affektive Tendenzen misst [31]. Die Konzeptualisierung eines solchen Zirkumplex kann bei der Diagnose und Behandlung zwischenmenschlicher Probleme hilfreich sein. Die Mischung aus Gewissenhaftigkeit und Offenheit kann einen Zirkumplex bilden, der auf dem Wertesystem einer Person basiert (hohes C hoch O = Ego-Entwicklung, hohes C niedriges O = Starrheit, niedriges C hoch O = Unkonventionalität, niedriges O niedriges C = Distanzierung). Dieser Zirkumplex kann nützlich sein, um humanistische Aspekte der Persönlichkeit zu verstehen, und kann helfen, die Big Five-Persönlichkeitsforschung mit der zur Ich-Entwicklung zu verbinden (z. B. [63]).

Zwei besondere Arten von Facettenverschmelzungen, zwischen Extraversion und Offenheit und zwischen Verträglichkeit und Gewissenhaftigkeit, waren in diesem Facettenatlas ungewöhnlich. Dieser Befund war relativ überraschend, da diese beiden Domänenpaare typischerweise miteinander korreliert sind [4, 13]. Der Mangel an Mischungen zwischen Facetten von Extraversion und Offenheit scheint keinen leeren Raum widerzuspiegeln, da wir einige positive Mischungen (TCI explorative Erregbarkeit und AB5C-Führung) und einige kontrastierende Mischungen (AB5C-Introspektion und Geselligkeit) identifiziert haben. Darüber hinaus haben vergangene zirkumplizite Forschungen auch ergeben, dass Facetten, die Einfallsreichtum, Kreativität und mutige Führung messen, eine Mischung aus hoher Offenheit und hoher Extraversion messen [30,64]. Es scheint eher, dass Skalen, die Mischungen von Extraversion und Offenheit messen, einfach ungewöhnlich sind. Die Entwicklung von Skalen, die explizit eine Mischung dieser Merkmale messen, kann nützlich sein, da sie das Metamerkmal der Plastizität bilden und theoretisch als Teil des Ansatzsystems zusammenarbeiten [65]. Im Vergleich dazu kann der Mangel an gemischten Inhalten zwischen Verträglichkeit und Gewissenhaftigkeit einen notwendigerweise spärlicheren Merkmalsraum widerspiegeln. Wir fanden eine negative Mischung (AB5C-Rationalität) und drei positive Mischungen (AB5C-Pflicht, AB5C-Moral und HEXACO-Fairness), und andere Untersuchungen haben sich ähnlich bemüht, gemischte Inhalte zwischen diesen beiden Merkmalen zu identifizieren [65]. Wir stellen fest, dass jede dieser vier Facetten eine Art interpersonal-fokussierte Regelbefolgung bedeutet, die im täglichen Leben ein übliches Verhalten ist, aber nicht gut in die Sprache stabiler individueller Unterschiede eingeschrieben zu sein scheint (was durch die Tatsache belegt wird, dass wir kann keinen Begriff mit einem einzigen Adjektiv identifizieren, um diese Art von Verhalten zu beschreiben). Zukünftige Forschungen möchten vielleicht weiter in den Persönlichkeitsraum eintauchen, der von einer Mischung aus Verträglichkeit und Gewissenhaftigkeit eingenommen wird, und Skalen entwickeln, die diesen Inhalt explizit messen. Dies könnte einen umfassenderen Ansatz zur Persönlichkeitsbewertung verheißen.

Die Kerne jeder Domäne

Wir haben die wichtigsten und peripheren Facetten in jeder Big Five-Domäne identifiziert, indem wir die Stärke jeder Facette innerhalb des jeweiligen Netzwerks berechnet haben. Ein heterogener Satz von Facetten charakterisiert die fünf Domänenkerne. Zum Beispiel enthielt der Kern der Gewissenhaftigkeit Facetten, die Inhalte wie Beherrschung, Zielstrebigkeit und Organisation messen. Diese Ergebnisse identifizieren Fälle von Jingle und Jangle in Facettennamen. Zum Beispiel AB5C Geselligkeit befand sich im Kern von Extraversion und JPI Geselligkeit war in der Peripherie, obwohl sie den gleichen Namen haben. Dieses Ergebnismuster unterstreicht auch die inhärente Schwierigkeit, einen einzigen konzeptionellen „Kern“ für jede der großen Big-Five-Domänen zu identifizieren. Vielmehr kann der Kern einer Domäne am besten als Ansammlung von Facetten verstanden werden, und die Positionierung von Facetten kann am besten relativ erfolgen (z. B. als „mehr Kern“ oder „mehr peripherer“ als eine andere Facette.)

Wir fanden auch heraus, dass die Schätzungen der Netzwerkzentralität innerhalb jeder Domäne stark mit dem absoluten Wert der Faktorladungen in dieser Domäne korrelierten (rs = 0,71-0,86). Die Größe dieser Korrelation, obwohl sie kleiner ist als die Korrelationen zwischen diesen beiden Parametern, wenn sie in Simulationsstudien geschätzt wurde [66], deutet darauf hin, dass aus beiden Arten von Analysen ähnliche Informationen gewonnen werden (wir stellen fest, dass die Simulationen Netzwerke basierend auf Teilkorrelationen schätzten , während wir Netzwerke basierend auf vollständigen Korrelationen geschätzt haben). Die Hauptursache für die Diskrepanz zwischen den beiden Schätzungen ist wahrscheinlich die Tatsache, dass die Faktorenanalyse zusammenfasst, wie sich Facetten in Bezug auf ihre Assoziationen mit einer einzigen breiteren Big-Five-Domäne ähneln, während Stärkezentralitätsschätzungen alle Quellen der Ähnlichkeit und des Unterschieds zwischen jedem Paar von . zusammenfassen Facetten. Zum Beispiel belasten die soziale Akzeptanz von TCI und die AB5C-Empathie beide stark einen latenten Verträglichkeitsfaktor, aber dieser Zusammenhang wird durch eine gemeinsame Sekundärbelastung der Offenheit noch verstärkt, die ausschließlich in Schätzungen der Netzwerkstärke erfasst wird. Insgesamt deutet diese Überschneidung zwischen faktorenanalytischen und netzwerkanalytischen Ergebnissen darauf hin, dass die beiden Methoden viele Gemeinsamkeiten aufweisen, insbesondere wenn Netzwerkanalysen auf Querschnittskorrelationen basieren.

Die Peripherien jeder Domäne

Während der Identifizierung der Kerne jeder der Big Five-Domänen viel Aufmerksamkeit gewidmet wurde, war diese Studie eine der ersten, die die peripheren Facetten der fünf Domänen untersuchte. Die Ergebnisse zeigten, dass jede Domäne erhebliche periphere Inhalte enthielt, die durch wenige Maßnahmen abgedeckt wurden. Zusammen mit früheren Forschungen [34, 36] deutet dies darauf hin, dass die meisten modernen Persönlichkeitsmessungen eine idiosynkratische Breite in ihrer Inhaltsabdeckung aufweisen. Zum Beispiel messen NEO-PI-R und HPI Vertrauen, eine Facette der Verträglichkeit, die anderen hierarchischen Persönlichkeitsmaße im ESCS jedoch nicht. Diese Unterschiede in der Abdeckung von peripheren Inhalten können teilweise für die moderaten Korrelationen verantwortlich sein, die für verschiedene Messgrößen desselben Big-Five-Bereichs berichtet wurden (z. B. so niedrig wie R = 0,66 Zoll [10]). Zukünftige Forschungen, die sich auf die Peripherie der Merkmalsdomänen konzentrieren, können dazu beitragen, Unterschiede in den Domänenwerten verschiedener Messgrößen aufzuklären, zu klären, wie verschiedene Instrumente mehr oder weniger effektiv bei der Berücksichtigung bestimmter Merkmale sind, und die Bemühungen um eine umfassende Beurteilung der Persönlichkeit verbessern.

Einschränkungen

Die Haupteinschränkungen dieser Forschung betreffen die Zusammensetzung des ESCS. Die Stichprobe ist ethnisch homogen, über 98% der Teilnehmer sind weiß, alle sind Amerikaner und die meisten sind mittleren Alters. Da sich die Struktur von Persönlichkeitsmerkmalen, insbesondere auf Facettenebene, nicht über Kulturen [67] oder Altersgruppen [68] verallgemeinert, sollten Forscher bei der Verallgemeinerung dieses Atlas auf verschiedene Personengruppen vorsichtig sein. Im Allgemeinen wurde das ESCS in früheren Untersuchungen zur Persönlichkeitsstruktur (z. Der unglückliche Nebeneffekt dieser übermäßigen Abhängigkeit vom ESCS und von Stichproben mit ähnlicher Zusammensetzung besteht darin, dass unsere Forschung zur Persönlichkeitsstruktur häufig breitere nichtweiße Bevölkerungsgruppen ausschließt, selbst innerhalb der USA. Um dies zu korrigieren, müssen zukünftige Arbeiten, die Daten sammeln, die verwendet werden, um die Persönlichkeitsstruktur unter Verwendung vieler Facettenskalen zu untersuchen, sich aktiv auf die Vielfalt der Stichprobe konzentrieren (wie [69]). Wir erwarten mit Spannung zukünftige, repräsentativere Atlanten.

Darüber hinaus handelte es sich bei allen Instrumenten in dieser Studie um Fragebögen zur Selbstauskunft, und die Ergebnisse können bei Verwendung einer anderen Methode abweichen. Darüber hinaus wurden einige Facettenskalen mit wenigen Items gemessen, und diese Kürze führt zu einer Messunzuverlässigkeit. Wir haben dies mit der Alpha-Reliabilität jeder Skala korrigiert, aber diese grobe Korrektur ist relativ konservativ und stellt möglicherweise nicht jede Korrelation auf ihre tatsächliche Größe wieder her. Daher können Korrelationen zwischen Facetten, die mit kurzen Skalen gemessen werden, etwas abgeschwächt werden.


Um Ihnen zu zeigen, wie Sie ein Keras-Modell visualisieren, ist es meiner Meinung nach am besten, wenn wir zuerst eines besprechen.

Heute werden wir das Convolutional Neural Network visualisieren, das wir zuvor erstellt haben, um die Vorteile der Verwendung von CNNs gegenüber dicht verbundenen zu demonstrieren.

Dies ist der Code dieses Modells:

Ich würde vorschlagen, dass Sie den Beitrag lesen, wenn Sie ihn sehr tief verstehen möchten, aber ich werde ihn hier kurz behandeln.

Es klassifiziert einfach den MNIST-Datensatz. Dieser Datensatz enthält 28 x 28 Pixel Bilder von Ziffern oder Zahlen zwischen 0 und 9 und unser CNN klassifiziert sie mit einer erstaunlichen Genauigkeit von 99%. Dies geschieht durch die Kombination zweier Faltungsblöcke (die aus einer zweidimensionalen Faltungsschicht, zweidimensionalem Max-Pooling und Dropout bestehen) mit dicht verbundenen Schichten. Es ist das Beste aus beiden Welten in Bezug auf die Interpretation des Bildes und endgültige Vorhersagen zu generieren.


Forscher entwickeln eine Technik zur Visualisierung und Kontrolle der neuronalen Aktivitäten, die dem Verhalten zugrunde liegen

Schematische Darstellung des Cal-Light-Systems. M13- und Calmodulin-Proteine ​​sind an den C-Terminus bzw. N-Terminus der TEV-Protease (TEV-C und TEV-N) fusioniert. Wenn Ca2+ im Zytosol entsteht, binden M13 und Calmodulin aneinander und anschließend erhalten TEV-C und TEV-N wieder proteolytische Funktionen. Jedoch kann TEV-Protease TEVseq im Dunkeln nicht leicht erkennen, da TEVseq am c-Terminus der AsLOV2-J-Helix inseriert ist. Blaues Licht verursacht eine Konformationsänderung der J-Helix, wodurch TEVseq unmaskiert wird. Gespaltenes tTA transloziert in den Zellkern und initiiert die Genexpression. Quelle: Max-Planck-Florida-Institut für Neurowissenschaften

Seit Wissenschaftler das Gehirn studieren, fragen sie sich, ob die von ihnen beobachtete Biologie wirklich mit äußeren Verhaltensweisen in Verbindung gebracht werden kann. Die Forscher bauen ein umfassendes Verständnis der biophysikalischen, molekularen und zellulären Interaktionen von Neuronen auf, aber der direkte Bezug dieser Interaktionen auf äußeres Verhalten ist eine ständige Herausforderung auf diesem Gebiet. "Die biophysikalischen Eigenschaften von Neuronen sind ziemlich bekannt", sagte Hyungbae Kwon, Ph.D., Forschungsgruppenleiter am Max-Planck-Florida-Institut für Neurowissenschaften (MPFI). "Was wir nicht genau wissen, ist, wie diese Verbindungen und Kommunikationen unser Verhalten auslösen."

Dies ist die ehrgeizige Frage, die Dr. Kwon und sein Labor beantworten möchten, indem sie das Gehirn aus einer ganz neuen Perspektive betrachten. In einer in der Zeitschrift veröffentlichten Studie Natur Biotechnologie im Juni 2017, Dongmin Lee, Ph.D. und Jung Ho Hyun, Ph.D., Postdoktoranden im Kwon Lab, beschreiben ein neues Werkzeug, das sie entwickelt haben, um Neuronen zu identifizieren und zu kontrollieren. Die neue Technik namens Calcium and Light-Induced Gene Handling Toolkit oder "Cal-Light" ermöglicht es Forschern, die neuronalen Aktivitäten, die dem Verhalten zugrunde liegen, mit noch nie dagewesener Spezifität zu beobachten und zu manipulieren, was es den Forschern hoffentlich ermöglicht, die Kausalität zwischen neuronaler Aktivität und Verhalten zu identifizieren .

Bisher verwendeten Forscher, die neuronale Aktivität in Echtzeit beobachten wollten, häufig eine Technik namens Calcium Imaging. Die Technik macht sich die Tatsache zunutze, dass aktiv feuernde Neuronen einen Zustrom von Kalzium erhalten. Das Markieren der Kalziumionen mit Fluoreszenzfarbstoff macht es einfacher, sie in Echtzeit feuern zu sehen, aber es bindet sie nicht an bestimmte neuronale Populationen.

Forscher des Max-Planck-Florida-Instituts für Neurowissenschaften haben ein Werkzeug entwickelt, um Neuronen zu identifizieren und zu kontrollieren. Die neue Technik namens Calcium and Light-Induced Gene Handling Toolkit oder "Cal-Light" ermöglicht es Forschern, die neuronalen Aktivitäten, die dem Verhalten zugrunde liegen, mit noch nie dagewesener Spezifität zu beobachten und zu manipulieren, was es den Forschern hoffentlich ermöglicht, die Kausalität zwischen neuronaler Aktivität und Verhalten zu identifizieren . Quelle: Max-Planck-Florida-Institut für Neurowissenschaften

Aufbauend auf der traditionellen Calcium-Bildgebung und neueren optogenetischen Techniken zur Manipulation der neuronalen Aktivität verknüpft das Cal-Light-System die fluoreszierende Genexpression mit Aktivität und Licht. Die Neuronen fluoreszieren nur, wenn sie feuern und ein Forscher sie mit einem speziellen Licht beleuchtet. Schaltet der Forscher das Licht aus, hören die Neuronen auf zu fluoreszieren, was das Signal-Rausch-Verhältnis und die zeitliche Spezifität stark erhöht. Sobald Forscher mit Cal-Light eine Zellpopulation identifiziert haben, die an einer bestimmten Aktivität beteiligt ist, können sie diese Zellen mithilfe der Optogenetik manipulieren. Auf diese Weise können sie Verhaltensweisen unglaublich präzise sezieren und möglicherweise sogar dazu beitragen, Beweise für kausale Zusammenhänge zu entwickeln.

Um zu zeigen, dass die Cal-Light-Technik wirksam ist, testete die Gruppe von Dr. Kwon sie zunächst in Zellkultur und dann in vivo in einem Mausmodell. In dem Modell verwendete das Team die Technik, um eine Population von Neuronen im motorischen Kortex zu identifizieren, zu kennzeichnen und zu manipulieren, die feuerten, wenn eine Maus einen Hebel drückte, um als Reaktion auf einen Reiz eine Belohnung zu erhalten. Nachdem die interessierenden Neuronen identifiziert und markiert waren, präsentierte sein Team den Stimulus der Maus, während er die Neuronengruppe optogenetisch hemmte. Wenn Zellen inhibiert wurden, drückte die Maus den Hebel nicht mehr, was zeigt, dass die Aktivität dieser Zellen für die Maus notwendig war, um das Verhalten auszuführen.

(TOP) Um die lernbezogene neuronale Population zu kennzeichnen, trainierten wir wasserbeschränkte Mäuse, um wiederholtes Hebeldruckverhalten zu erlernen, um Wasserbelohnungen zu erhalten. Faseroptik wurde in beide Hemisphären des M1-Bereichs implantiert und der blaue Laser wurde so programmiert, dass er 5 Sekunden lang eingeschaltet wurde, wenn Mäuse den Hebel drücken. Sobald das Licht 5 Sekunden lang an war, wurde das nächste blaue Licht für die folgenden 25 Sekunden verboten, obwohl Mäuse den Hebel drücken. (UNTEN) Repräsentative Bilder von Mäusegehirnen, die mit oder ohne blaues Licht trainiert wurden, kumulative Verteilung von G/R bei jeder Bedingung (nur Licht: n = 448 Zellen / 8 Mäuse Aktivität nur: n = 585 Zellen / 9 Mäuse Licht + Aktivität: n = 504 Zellen / 11 Mäuse) und zusammenfassendes Boxplot-Diagramm von G/R (nur Licht: 0,32 ± 0,09, n = 448 nur Aktivität: 0,36 ± 0,11, n = 585, p = 0,34 Licht + Aktivität: 1,1 ± 0,97, n = 504, p

Diese neu entwickelte Technik bietet eine beispiellose Möglichkeit, indem sie Neuronen markiert, die bestimmte Aktionen steuern, und Mittel zu ihrer Kontrolle bereitstellt. Laut Dr. Kwon "bietet die Cal-Light-Technik die Möglichkeit, die neuronalen Schaltkreise zu analysieren, die komplexen Verhaltensweisen, Empfindungen und Kognitionen zugrunde liegen, und führt einen neuen Weg ein, komplexe Fragen in der Neurowissenschaft anzugehen."


1. Einleitung

Abbildung 1: Beispiel unserer Visualisierungsmethode: erklärt, warum das DCNN (GoogLeNet) "Kakadus" vorhersagt. Gezeigt sind die Beweise für (rot) und gegen (blau) der Vorhersage. Wir sehen, dass die Gesichtszüge des Kakadus die Entscheidung am meisten unterstützen, und Körperteile scheinen dagegen zu sprechen. Tatsächlich betrachtet der Klassifikator sie höchstwahrscheinlich als Beweis für die zweithöchste Bewertungsklasse, den Weißen Wolf.

In den letzten Jahren haben sich tiefe neuronale Netze (DNNs) als Methode der Wahl für Wahrnehmungsaufgaben wie Spracherkennung und Bildklassifizierung herauskristallisiert. Im Wesentlichen ist ein DNN eine hochkomplexe nichtlineare Funktion, wodurch es schwer zu verstehen ist, wie eine bestimmte Klassifizierung zustande kommt. Dieser Mangel an Transparenz ist ein erhebliches Hindernis für die Einführung von Deep Learning in Bereichen der Industrie, der Regierung und des Gesundheitswesens, in denen die Fehlerkosten hoch sind.

Um das gesellschaftliche Versprechen von Deep Learning – z. B. durch selbstfahrende Autos oder personalisierte Medizin – zu realisieren, müssen Klassifizierer lernen, ihre Entscheidungen zu erklären, sei es im Labor, in der Klinik oder im Gerichtssaal. In wissenschaftlichen Anwendungen könnte ein besseres Verständnis der komplexen Abhängigkeiten, die von tiefen Netzwerken erlernt werden, zu neuen Erkenntnissen und Theorien in kaum verstandenen Domänen führen.

In diesem Beitrag präsentieren wir eine neue, wahrscheinlichkeitstheoretisch fundierte Methodik zur Erklärung von Klassifikationsentscheidungen, die von tiefen neuronalen Netzen getroffen werden. Das Verfahren kann verwendet werden, um für jedes (Instanz, Knoten)-Paar eine Auffälligkeitskarte zu erstellen, die die Teile (Merkmale) der Eingabe hervorhebt, die die meisten Beweise für oder gegen die Aktivierung des gegebenen (internen oder Ausgabe-)Knotens darstellen. Siehe Abbildung 1 für ein Beispiel.

In den folgenden beiden Abschnitten besprechen wir verwandte Arbeiten und stellen dann unseren Ansatz vor. In Abschnitt 4

Wir zeigen mehrere Demonstrationen unserer Technik für Deep Convolutional Neural Networks (DCNNs), die auf ImageNet-Daten trainiert wurden, und weiter, wie die Methode bei der Klassifizierung von MRT-Gehirnscans von HIV-Patienten mit neurodegenerativen Erkrankungen angewendet werden kann.


Neurowissenschaftliche Software

Softwaretools für die visuelle Psychophysik-Forschung. Der Schwerpunkt dieser Werkzeuge liegt auf der Amblyopieforschung, sie können jedoch auch für einige verwandte Forschungsaufgaben der visuellen Neurowissenschaften verwendet werden.

  • Dateiname: screencontrast2.jar
  • Urheber: jpsychovis
  • Lizenz: Freeware (kostenlos)
  • Dateigröße: 19 KB
  • Läuft auf: Windows Mac Linux

Neurospaces ist ein Entwicklungszentrum für Werkzeuge der Computational Neuroscience. Siehe http://www.neurospaces.

  • Dateiname: developer-prealpha-1.tar.gz
  • Autor: neurospaces
  • Lizenz: Freeware (kostenlos)
  • Dateigröße: 154 Kb
  • Läuft auf: BSD Linux

NeurAnim ist ein Forschungshilfsmittel für Computational Neuroscience. Es wird verwendet, um neuronale Netzsimulationen in 3D zu visualisieren und zu animieren und um Filme dieser Animationen für die Verwendung in Präsentationen zu rendern.

  • Dateiname: neuranim-1.0-win.zip
  • Autor: neuranim
  • Lizenz: Freeware (kostenlos)
  • Dateigröße: 19.14 Mb
  • Läuft auf: Linux

PEBL (Psychology Experiment Building Language) ist ein System zur Schaffung von Psychologie und Neurowissenschaften Experimente und Tests. Es ist plattformübergreifend, mit der Absicht, dasselbe Experiment unverändert auf Linux, Windows und Macintosh auszuführen. .

  • Dateiname: PEBL_OSX.0.12.3.zip
  • Autor: pebl
  • Lizenz: Freeware (kostenlos)
  • Dateigröße: 29,8 MB
  • Läuft auf: Windows BSD Linux

Labor-Website für Dr. Jefferson Kinney von der University of Nevada in Las Vegas, spezialisiert auf Verhaltensneurowissenschaften, Lernen und Gedächtnis und Modelle der Alzheimer-Krankheit.

  • Dateiname: Kiney Lab
  • Autor: Nathan Van Arsdale
  • Lizenz: Freeware (kostenlos)
  • Dateigröße:
  • Läuft auf: Windows

Der Spiking Neuronal Network Simulator (SpiNNSim) wird eine Open-Source-Softwarebibliothek zur Erstellung von computergestützten Neurowissenschaften Anwendungen in der Programmiersprache Java. Das Framework unterstützt Animation und Parallelität.

  • Dateiname: Spiking Neuronal Network Simulator
  • Autor: David Wallace Croft
  • Lizenz: Freeware (kostenlos)
  • Dateigröße:
  • Läuft auf: Windows

Ziel des BBrain-Projekts ist die Entwicklung eines innovativen neuronalen Netzdesigns basierend auf den neuen Erkenntnissen in Neurowissenschaften und Biologie. Das ultimative Ziel ist es, ein vollständiges und selbstbewusstes "Gehirn" zu emulieren, das auf Theorien in Dennets Denkschule basiert.

  • Dateiname: BBrain
  • Autor: Behshad D Gott
  • Lizenz: Freeware (kostenlos)
  • Dateigröße:
  • Läuft auf: Windows

A collection of matlab scripts to support psychology experiments and cognitive neuroscience related analysis.

  • File Name: AronMatlab
  • Author: Mike Claffey
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

OpenGL based , OS-independent C++ library for the presentation of visual stimuli in Neuroscience experiments..

  • File Name: neurostim
  • Author: Bart Krekelberg
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

NeuraPy is now hosted on github This is a collection of Python modules that read files encountered in neuroscience Experimente. Included are modules to read lablib files and modules to read Cyberkinetics Cerebus system .nev and .ns3 files. .

  • File Name: NeuraPy
  • Author: kghose github user
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Simulator of virtual animals made up of biological neural networks for research in the Computational Neuroscience field..

  • File Name: NeuroLife
  • Author: Gabriel Gonzalez
  • License: Freeware (Free)
  • File Size:
  • Runs on: Windows

Ablator is a suite of software that automates the microscopic detection of cell targets and also directs a 2-photon microscope to lesion these targets in arbitrary patterns for neuroscience Forschung. See Hayes et al 2012 for an example of its usage .


Schau das Video: Simnet Excel Project 4-4 (Dezember 2021).