登录
注册
开源
企业版
高校版
搜索
帮助中心
使用条款
关于我们
开源
企业版
高校版
私有云
模力方舟
AI 队友
登录
注册
代码拉取完成,页面将自动刷新
开源项目
>
人工智能
>
AI-人工智能
&&
捐赠
捐赠前请先登录
取消
前往登录
扫描微信二维码支付
取消
支付完成
支付提示
将跳转至支付宝完成支付
确定
取消
Watch
不关注
关注所有动态
仅关注版本发行动态
关注但不提醒动态
730
Star
3.8K
Fork
703
drinkjava2
/
人工生命
代码
Issues
1
Pull Requests
0
Wiki
统计
流水线
服务
JavaDoc
质量分析
Jenkins for Gitee
腾讯云托管
腾讯云 Serverless
悬镜安全
阿里云 SAE
Codeblitz
SBOM
我知道了,不再自动展开
更新失败,请稍后重试!
移除标识
内容风险标识
本任务被
标识为内容中包含有代码安全 Bug 、隐私泄露等敏感信息,仓库外成员不可访问
这里是我读《神经生物学:从神经元到脑》时写的一点笔记,希望有帮助
已完成
#I60J3R
HairlessVillager
创建于
2022-11-10 16:37
### 2022-10-5 把《神经生物学:从神经元到脑》基本上看完了,中间跳过了许多生物上的细节。 我比较感兴趣的是第 23 章,这一章讲神经系统的发育。其中提到,神经元在初期时, 会通过某种导向作用自动连接到远处的特定神经元。我一开始构想的是随机连接,而这 个想法被作者否定了。 目前的思路已经明朗了,这里大致写一下: 0. 先天遗传:父代的大脑,通过某些机制提取主要参数并打包,然后发送给子代,子 代在初始化大脑的拓补结构时,先按照父代的参数连接,然后再随机连接一部分神经元 0. 后天学习:通过对大脑的部分接口神经元的反复刺激,自动调节突触的权重,达成 条件反射 另外:妈的,C++ 不支持交叉引用,果断选择 Java。 ### 2022-10-1 由于动作电位的强度是固定的,所以信号的大小的形式不是强度而是频率。电信号的频 率越高,突触前膜在单位时间内释放的神经递质就越多,突触后面的电位变化越显著, 下一个神经元产生动作电位的可能性就越大。 ### 2022-9-30 确定一下研究的方向吧。毫无疑问,肯定是要做实验的,只有实验结果与理论上的预期 结果基本一致时,才能说明取得了一定的成果。 我们这里先制定一个最基本的实验,用来判断这个程序是否表现出一定的智能: 0. 设置 4 个特殊的神经元,编号 A, B, a, b,这些神经元可以认为控制其状态。 0. 学习:反复激活神经元 A 和 a,同时控制 B 和 b 的非活跃状况;然后反复激活神 经元 B 和 b,同时控制 A 和 a 的非活跃状况。 0. 测试:激活神经元 A,观察神经元 a 和 b 的激活情况;激活神经元 B,观察神经 元 a 和 b 的激活情况。 0. 对照组设置:不作处理。 0. 预期结果:实验组:在 A 被激活后,a 活跃而 b 静默;在 B 被激活后,b 活跃而 a 静默。对照组:无论激活 A 还是 B,a 和 b 均保持静默。 0. 结论:程序具有 A -> a 和 B -> b 的条件反射。 先把人体中的神经调节基本方式在程序里模拟出来,再看看其它的高级功能。 ### 2022-9-29 最近在看尼古尔斯(Nicholls, J.G.)的《神经生物学:从神经元到脑》,颇有启发。 0. 神经网络与生物中神经元连接方式的显著差异 在讲解视网膜附近的信号传输时,作者给出了简单的信号传输方向: > 光 -> 光感受器中的局部分级信号 -> 双极细胞中的局部分级信号 -> 神经节细胞中 的局部分级电位 -> 神经节细胞中的动作电位 -> 传至高级中枢 > (引自《神经生物学:从神经元到脑》) 在靠近光感受器的神经元中,出现了同一层神经元之间的相互连接(侧向连接, lateral connection)和指向相反方向的连接(返回性连接,recurrent connection)。如果映射到 ANN 上,就是说对于某一层内的神经元,他们之间是有连 接的;后面一层的神经元可以把信息传递给前面一层的神经元。而这显然是有悖于现在 主流的 ANN 模型的。 0. 局部分级电位与动作电位 神经系统中的电信号可以分为两类:局部分级电位(localized graded potential)与 动作电位(action potential)。局部分级电位由感受器产生,单个感受器产生的局部 分级电位的强度小,但是多个局部分级电位可以叠加,尽管如此局部分级电位仍然不宜 用于信号的远距离传输。动作电位是普遍存在于神经元活动的电信号,特点是其强度和 时长在每个神经元几乎是稳定的。动作电位的强度可以由电位的发生频率决定。 0. 神经元的工作机制 神经元接收到各种电信号时,膜内外电位差会发生变化。当电位差超出一定阈值后,神 经元会产生动作电位。动作电位沿着轴突传导,到达突触时电信号转变为化学信号,由 突触前膜释放的神经递质来决定是兴奋信号还是抑制信号。可以看出,一个神经元只受 连接它的其它神经元的影响,所以神经元具有并行计算的能力。 0. 整合机制 对于视网膜神经节细胞,它会整合(integration)若干光感受器 (实际上是双极细胞)的信号,对其进行处理,最后输出有意义的结果,例如,如果在 这片区域中,中央位置的亮度显著高于四周位置的亮度,那么神经节细胞会产生的动作 电位频率很高;如果这片区域接收到的光强都是一样高的,那么细胞会产生的动作电位 频率比较低。这种机制有点类似于 CNN 中的卷积与池化操作。 0. 神经系统的发育 神经系统中的细胞并非完全一样的,而是呈现出模块化。在一个模块中的神经元,功能 和表现是类似的。同时,不同模块之间的连接也在每一代生物体之间表现出相似性。 早期的无脊椎动物,只能对外界刺激做出简单的反应,而人类的婴儿,不仅可以做出反 应,而且可以学习,之后能做出更复杂的反应。出现这种差别的原因,可能是婴儿的父 母已经形成了模块化的神经系统,并且将它通过基因遗传给后代,使后代可以比较轻松 地建立连接,而无脊椎动物不具有模块化的神经系统。 先天遗传决定智力下限,后天学习决定智力上限。如果真的是这样的话,那么我们可以 先用遗传算法找到模块化的最优方案,然后再在其基础上进行训练。遗传负责大体方向 ,而训练负责具体细节。 0. 超出预期的复杂度 > 这样一个运动神经元接收的输入纤维超过 10,000 条。……小脑中单个神经元接收的 输入超过 100,000。 > (引自《神经生物学:从神经元到脑》) 这是在人的神经系统中真实存在的。由于物理世界中自然存在的并行性,所以这种结构 是很容易实现的,但是对于并行计算能力不强的计算机来说,这种任务的复杂度显然过 于夸张(在有 GPU 参与计算的情况下依然如此)。再考虑到可能在运行时会新建突触 ,整体的复杂度肯定是 O(N^2) 往上走。
### 2022-10-5 把《神经生物学:从神经元到脑》基本上看完了,中间跳过了许多生物上的细节。 我比较感兴趣的是第 23 章,这一章讲神经系统的发育。其中提到,神经元在初期时, 会通过某种导向作用自动连接到远处的特定神经元。我一开始构想的是随机连接,而这 个想法被作者否定了。 目前的思路已经明朗了,这里大致写一下: 0. 先天遗传:父代的大脑,通过某些机制提取主要参数并打包,然后发送给子代,子 代在初始化大脑的拓补结构时,先按照父代的参数连接,然后再随机连接一部分神经元 0. 后天学习:通过对大脑的部分接口神经元的反复刺激,自动调节突触的权重,达成 条件反射 另外:妈的,C++ 不支持交叉引用,果断选择 Java。 ### 2022-10-1 由于动作电位的强度是固定的,所以信号的大小的形式不是强度而是频率。电信号的频 率越高,突触前膜在单位时间内释放的神经递质就越多,突触后面的电位变化越显著, 下一个神经元产生动作电位的可能性就越大。 ### 2022-9-30 确定一下研究的方向吧。毫无疑问,肯定是要做实验的,只有实验结果与理论上的预期 结果基本一致时,才能说明取得了一定的成果。 我们这里先制定一个最基本的实验,用来判断这个程序是否表现出一定的智能: 0. 设置 4 个特殊的神经元,编号 A, B, a, b,这些神经元可以认为控制其状态。 0. 学习:反复激活神经元 A 和 a,同时控制 B 和 b 的非活跃状况;然后反复激活神 经元 B 和 b,同时控制 A 和 a 的非活跃状况。 0. 测试:激活神经元 A,观察神经元 a 和 b 的激活情况;激活神经元 B,观察神经 元 a 和 b 的激活情况。 0. 对照组设置:不作处理。 0. 预期结果:实验组:在 A 被激活后,a 活跃而 b 静默;在 B 被激活后,b 活跃而 a 静默。对照组:无论激活 A 还是 B,a 和 b 均保持静默。 0. 结论:程序具有 A -> a 和 B -> b 的条件反射。 先把人体中的神经调节基本方式在程序里模拟出来,再看看其它的高级功能。 ### 2022-9-29 最近在看尼古尔斯(Nicholls, J.G.)的《神经生物学:从神经元到脑》,颇有启发。 0. 神经网络与生物中神经元连接方式的显著差异 在讲解视网膜附近的信号传输时,作者给出了简单的信号传输方向: > 光 -> 光感受器中的局部分级信号 -> 双极细胞中的局部分级信号 -> 神经节细胞中 的局部分级电位 -> 神经节细胞中的动作电位 -> 传至高级中枢 > (引自《神经生物学:从神经元到脑》) 在靠近光感受器的神经元中,出现了同一层神经元之间的相互连接(侧向连接, lateral connection)和指向相反方向的连接(返回性连接,recurrent connection)。如果映射到 ANN 上,就是说对于某一层内的神经元,他们之间是有连 接的;后面一层的神经元可以把信息传递给前面一层的神经元。而这显然是有悖于现在 主流的 ANN 模型的。 0. 局部分级电位与动作电位 神经系统中的电信号可以分为两类:局部分级电位(localized graded potential)与 动作电位(action potential)。局部分级电位由感受器产生,单个感受器产生的局部 分级电位的强度小,但是多个局部分级电位可以叠加,尽管如此局部分级电位仍然不宜 用于信号的远距离传输。动作电位是普遍存在于神经元活动的电信号,特点是其强度和 时长在每个神经元几乎是稳定的。动作电位的强度可以由电位的发生频率决定。 0. 神经元的工作机制 神经元接收到各种电信号时,膜内外电位差会发生变化。当电位差超出一定阈值后,神 经元会产生动作电位。动作电位沿着轴突传导,到达突触时电信号转变为化学信号,由 突触前膜释放的神经递质来决定是兴奋信号还是抑制信号。可以看出,一个神经元只受 连接它的其它神经元的影响,所以神经元具有并行计算的能力。 0. 整合机制 对于视网膜神经节细胞,它会整合(integration)若干光感受器 (实际上是双极细胞)的信号,对其进行处理,最后输出有意义的结果,例如,如果在 这片区域中,中央位置的亮度显著高于四周位置的亮度,那么神经节细胞会产生的动作 电位频率很高;如果这片区域接收到的光强都是一样高的,那么细胞会产生的动作电位 频率比较低。这种机制有点类似于 CNN 中的卷积与池化操作。 0. 神经系统的发育 神经系统中的细胞并非完全一样的,而是呈现出模块化。在一个模块中的神经元,功能 和表现是类似的。同时,不同模块之间的连接也在每一代生物体之间表现出相似性。 早期的无脊椎动物,只能对外界刺激做出简单的反应,而人类的婴儿,不仅可以做出反 应,而且可以学习,之后能做出更复杂的反应。出现这种差别的原因,可能是婴儿的父 母已经形成了模块化的神经系统,并且将它通过基因遗传给后代,使后代可以比较轻松 地建立连接,而无脊椎动物不具有模块化的神经系统。 先天遗传决定智力下限,后天学习决定智力上限。如果真的是这样的话,那么我们可以 先用遗传算法找到模块化的最优方案,然后再在其基础上进行训练。遗传负责大体方向 ,而训练负责具体细节。 0. 超出预期的复杂度 > 这样一个运动神经元接收的输入纤维超过 10,000 条。……小脑中单个神经元接收的 输入超过 100,000。 > (引自《神经生物学:从神经元到脑》) 这是在人的神经系统中真实存在的。由于物理世界中自然存在的并行性,所以这种结构 是很容易实现的,但是对于并行计算能力不强的计算机来说,这种任务的复杂度显然过 于夸张(在有 GPU 参与计算的情况下依然如此)。再考虑到可能在运行时会新建突触 ,整体的复杂度肯定是 O(N^2) 往上走。
评论 (
2
)
登录
后才可以发表评论
状态
已完成
待办的
进行中
已完成
已关闭
负责人
未设置
标签
未设置
标签管理
里程碑
未关联里程碑
未关联里程碑
Pull Requests
未关联
未关联
关联的 Pull Requests 被合并后可能会关闭此 issue
分支
未关联
分支 (
-
)
标签 (
-
)
开始日期   -   截止日期
-
置顶选项
不置顶
置顶等级:高
置顶等级:中
置顶等级:低
优先级
不指定
严重
主要
次要
不重要
参与者(2)
Java
1
https://gitee.com/drinkjava2/frog.git
git@gitee.com:drinkjava2/frog.git
drinkjava2
frog
人工生命
点此查找更多帮助
搜索帮助
Git 命令在线学习
如何在 Gitee 导入 GitHub 仓库
Git 仓库基础操作
企业版和社区版功能对比
SSH 公钥设置
如何处理代码冲突
仓库体积过大,如何减小?
如何找回被删除的仓库数据
Gitee 产品配额说明
GitHub仓库快速导入Gitee及同步更新
什么是 Release(发行版)
将 PHP 项目自动发布到 packagist.org
评论
仓库举报
回到顶部
登录提示
该操作需登录 Gitee 帐号,请先登录后再操作。
立即登录
没有帐号,去注册