Глубокий сон: Как спят Суперлюди, или Почему 8-часовой сон подходит не всем

Глубокий сон — это детокс – Наука – Коммерсантъ

Исследователи из Бостонского университета обнаружили, что во время глубокого сна, когда снижена активность нервных клеток, создается, по-видимому, возможность для ритмического движения спинномозговой жидкости в мозг и из него — процесс, который, вероятно, вымывает из мозга продукты метаболизма.

В числе прочего эти продукты метаболизма включают бета-амилоид — белок, который образует бляшки в мозгу людей с деменцией, говорит один из авторов исследования Лаура Льюис, доцент кафедры биомедицинской инженерии в Бостонском университете. Льюис предупреждает, что результаты этой работы не доказывают, будто глубокий сон помогает предотвратить слабоумие или другие нейродегенеративные заболевания. Конечная цель подобных исследований, объясняет она,— понять, почему плохое качество сна связано с повышенным риском возникновения различных хронических состояний: от деменции до сердечных заболеваний и депрессии.

Исследователи и до этой работы знали, что спинномозговая жидкость удаляет метаболиты из мозга.

Во время быстрого сна дыхание и частота сердечных сокращений относительно выше, и людям часто снятся яркие сны. Быстрый сон перемежается с медленным, или глубоким: наблюдается замедление активности клеток головного мозга, частоты сердечных сокращений и кровотока; как показало исследование, глубокий сон может способствовать запоминанию и позволить мозгу восстановиться после ежедневной рутинной работы.

«Все эти фундаментальные вещи, о которых мозг заботится во время глубокого сна, действительно существуют»,— шутит Льюис.

Но и не только они. Когда участники исследования находились в глубоком сне, за каждым импульсом медленной активности мозга спинномозговая жидкость большими пульсирующими волнами, вспоминает Льюис, начинала течь в заполненные жидкостью полости центрального мозга и затем оттекать оттуда.

Наблюдая эту картину раз за разом, исследователи сделали вывод, что медленный сон в самом деле способствует вымыванию из мозга продуктов его жизнедеятельности.

Исследование элегантно иллюстрирует важность глубокого сна, комментирует работу коллег доктор Филлис Зи, сомнолог, которая не участвовала в исследовании. Становится понятно, как и почему сон важен для поддержания здоровья нейронов, раз он способствует удалению ядовитых молекул, заключает Филлис Зи: «Можно считать сон лучшим способом заботиться о мозге».

Анатолий Кривов

Убаюкивание удлинило глубокий сон и улучшило память взрослых людей

Aurore Perrault et al. / Current Biology, 2019

Во время сна порог восприятия сенсорных стимулов повышается: к примеру, для того, чтобы проснуться, нужен очень громкий шум или очень яркий свет, в то время как легкий шепот и тусклая лампа могут не подействовать. При этом нельзя говорить о том, что восприятие полностью отключается; напротив, некоторые исследования показывают, что воздействие различной стимуляции (чаще всего — акустической) в определенном ритме во время сна помогает синхронизировать мозговую активность нескольких участков мозга, «выравнивая» ее.

В новой работе ученые под руководством Авроры Перро (Aurora Perrault) из Университета Женевы решили проверить, как на активность мозга взрослых людей и зависящие от нее процессы сна и памяти влияют убаюкивания — ритмичные покачивания из стороны в сторону с единой частотой (в этой работе, на основе предыдущих исследований, ученые использовали 0,25 Герца). Они провели месячный эксперимент, в котором приняли участие 18 добровольцев: каждому из них необходимо было провести три ночи в лаборатории с подключенными электроэнцефалографом и электроокулографом. 

Первая ночь была контрольной. Через неделю после нее добровольцы провели в лаборатории экспериментальную ночь, в течение которой механизм, раскачивающий кровать, был подключен, но не работал. Еще через неделю после этого добровольцы спали в лаборатории на кровати с уже включенным механизмом.

Проанализировав данные, ученые выяснили, что покачивание во время сна приводило к тому, что участники быстрее входили в фазу глубокого сна и оставались в ней дольше: об этом говорит, к примеру, меньшее количество пробуждений за ночь при покачивании и то, что последняя, третья фаза глубокого сна была на семь минут длиннее, когда кровать участников раскачивали.

Длительность различных фаз сна в условии со статичной (черным) и покачивающейся (красной) кроватью

Медленная фаза сна характеризуется двумя основными типами мозговой активности на энцефалограмме: активностью в сигма-ритме (от 10 до 16 Герц) и медленными осцилляциями (частота менее 1 Герца). Такая активность должна происходить синхронно: верхний пик медленной осцилляции должен совпадать с пиком сигма ритма. Ученые выяснили, что использование покачивания во время сна не нарушило такую синхронизацию, но увеличило частоту активности в сигма-ритме и медленных осцилляций. За счет этого, как считают ученые, улучшился процесс консолидации памяти: после ночи, проведенной на раскачивающейся кровати, участники вспомнили больше слов в сравнении с первой проверкой сразу же после обучения.

Ученые, таким образом, показали, что убаюкивание во время сна помогает не только улучшить его качество, но и положительно влияет на происходящие во время него когнитивные процессы. Авторы уверены, что полученные результаты в будущем помогут в разработке различных методик, помогающих при бессоннице, в особенности — для пожилых людей, которые страдают не только нарушениями сна, но и нарушениями работы памяти.

В том же номере Current Biology вышла и другая статья при участии авторов настоящей работы: в ней вы можете прочитать о том, как ученым впервые удалось проверить влияние покачиваний на улучшение качества сна у мышей.

Елизавета Ивтушок

Режим глубокого сна на принтерах Brother?

Однако для пользователя, который отправляет данные на печать это не очень удобно. Ведь самостоятельно из этого режима устройство не выходит. Для возобновления печати его необходимо заново запускать. Чтобы не тратить время на эту процедуру постоянно, есть несколько способов, что помогут отключить переход в глубокий сон. Рассмотрим их подробно. 

Самые распространенные способы

Чтобы преодолеть автоотключение принтера, иногда стоит перепробовать все способы. Для разных моделей могут сработать разные варианты. Итак, что же можно предпринять:

1. Отключить режим глубокого сна с помощью меню. Для этого необходимо зайти во вкладку «Меню» и выбрать «Общие настройки». Часто для этого достаточно переместить стрелку вверх или вниз. Далее таким же способом перейти в раздел «Экология» – «Автоотключение». Активируем пункт «Отключено» и сохраняем изменения. Чтобы выйти из меню, достаточно нажать кнопку «Стоп/Выход». Модели, что обустроены сенсорным экраном, схема будет идентичной. 
2. Выключить автоотключение через «Время ожидания». Эта функция находиться в меню. Как и в первом способе, необходимо в него зайти, выбрать вкладку «Общие настройки» – «Экология» – «Время ожидания». Перемещаться по вкладкам позволят стрелки вверх и вниз. На экране появится информация о времени сна. В этом меню необходимо нажать одновременно две кнопки «Стоп/Выход» и «Старт», отключить глубокий сон и сохранить изменения. В некоторых моделях необходимо провести те же манипуляции, однако на последнем этапе нажать другие кнопки – «Стрелка вниз» и «Стоп/Выход». Останется только сохранить результат нажатием «Ок».
3. Обновить драйвера. Этот способ применяется, когда при подаче сигнала на печатное устройство, оно не приходит в активный режим. В таком случае следует обновить драйвер, возможно он устарел или попробовать установить более позднюю версию. Иногда проблему решает изменение типа драйвера на один из перечисленных: PCL5, PCL6 или UPD. 
4. Заменить USB-кабель на новый. При использовании длинного кабеля, может помочь его замена на другой, длиной до 3 метров или просто любого другого. После установки его в гнездо, достаточно попробовать подключиться и проверить будет ли переходить устройство в режим глубокого сна или нет.

Иногда причиной включения такого режима может быть работа устройства по Wi-fi. Если перечисленные способы не подошли, то можно попробовать произвести изменения в настройках доступа оборудования к беспроводной сети. 

Ученые объяснили важность хорошего ночного сна

В ходе исследования ученые изучили активность мозга дрозофил и обнаружили, что глубокий сон способен выводить из мозга отходы, которые могут содержать токсичные белки.

— Такая очистка может иметь важное значение для поддержания здоровья мозга или предотвращения нейрогенеративных заболеваний. Она может происходить и во время бодрствования, но значительно усиливается в процессе глубокого сна, — приводит «Ридус» слова ведущего автора исследования, доктора Равви Аллада.

Ученый объяснил, что, несмотря на то что дрозофилы сильно отличаются от людей, нейроны, управляющие циклами сна и бодрствования мух, очень похожи на человеческие. Именно поэтому, по его словам, мушки стали подходящим модельным организмом для изучения сна, нейродегенеративных заболеваний и циркадных ритмов.

Так, в исследовании ученые подробно изучали стадию глубокого сна этих насекомых, которая похожа на глубокий медленноволновой сон у людей. Специалисты заметили, что на этой стадии мушки многократно вытягивают и втягивают свой хоботок, что свидетельствует о движении в них жидкостей, облегчающих удаление отходов из мозга и отвечающих за восстановление после травм.

Если глубокий сон мух был нарушен, насекомые были менее способны выводить из организма неметаболизируемый краситель, который ранее ввели ученые, и были более восприимчивы к травматическим повреждениям.

По мнению ученых, их исследование приблизит всех экспертов в изучении вопроса, почему всем организмам необходим сон, пишут «Известия».

Как сообщали «Кубанские новости», у людей, соблюдающих здоровый режим сна, риск сердечных заболеваний значительно ниже, чем у тех, кто спит мало. К такому выводу пришли ученые из Тулейнского университета в Новом Орлеане, США.

Специалисты считают, что сон от семи до восьми часов ежедневно поможет уберечь человека от сердечной недостаточности.

Диабет, гипертония, лишний вес: эндокринолог рассказала о последствиях недосыпа.

Какое влияние сон оказывает на организм, порталу Здоровое-питание.рф рассказала врач-эндокринолог, сомнолог НМИЦ эндокринологиии Минздрава РФ Мария Фадеева.

У выспавшегося человека будет все в порядке и с работоспособностью, и с эмоциональным фоном. Мозг лучше запоминает и анализирует информацию, здоровее работает сердце, организм активнее противостоит инфекции. Сон напрямую влияет на обмен веществ и аппетит.

По статистике, почти половина россиян жалуются на регулярное недосыпание. Работа сверх нормы, маленький ребенок, бессонница или просто привычка допоздна смотреть в книгу, телефон, телевизор.

Мария Фадеева напоминает, что дефицит сна провоцирует многие патологии. На 28% чаще сахарный диабет второго типа проявляется у тех, кто спит менее 6 часов. Растет риск гипертонии, чаще возникают ишемическая болезнь сердца и инсульты. У недосыпающих людей смертность выше на 12% .

Еще одно побочное явление — лишний вес. Отмечается, что хроническое недосыпание нарушает нейроэндокринные процессы.

Фото Глубокий сон в Сухуме

Питание в отеле

Бассейн

Автостоянка

Интернет Wi-Fi

Работает круглогодично

Баня, сауна

Территория, двор

Спутник/кабель ТВ

Собственный пляж

Детская площадка

Конференц-зал

Проживание с животными

Дети любого возраста

Круглосуточная регистрация

Терминал для оплаты картой

Глубокий сон / Хабр

Больной ёрзал на неудобном деревянном стуле, периодически оглядываясь по сторонам, и пытаясь устроиться поудобнее. Раз за разом он одёргивал рукава рубашки, пытаясь заставить её сидеть ровно.

— Значит, проблемы со сном? – спросил Васильев.
— Да! – откликнулся пациент, сосредоточив внимание на докторе. – Я не могу заснуть в общей палате — там постоянно шум-гам, кто-то храпит, кто-то бормочет. А у меня хороший слух. И мне надо заснуть!
— Ну, всем надо спать, конечно же. Это обязательное условие для здоровья.
— Мне нужно попасть домой!
— Домой? Где вы живёте?
— Не в этом месте. В этом месте все остаются в кроватях, когда засыпают.

Васильев незаметно вздохнул. Можно попытаться вникнуть в логику больного, но не слишком глубоко – иначе можно завязнуть и самому. Ему не нравился этот метод, но строить беседу на отрицаниях тоже не получится.

— В кроватях? А там, откуда вы, все лунатики?
— Кто?
— Ну, люди, которые во сне могут совершать разные действия, вставать из кровати, ходить по дому.
— Нет, нет, что за ерунда. Я же объяснял другому врачу. У меня дома все люди исчезают из кроватей во время сна.
— Исчезают? Куда?
— Никто не знает. Но мы исчезаем, а утром возвращаемся.

«Очень интересно,- подумал доктор. – Это что-то новенькое. В основном всё Наполеоны да черти по углам. Наполеонов, благодаря ухудшению образования, всё меньше, а чертей – всё больше».

— И вы тоже исчезаете из кровати во время сна?
— Ну да!
— А откуда вы знаете?
— Мне говорили, домашние. Да это же естественно.
— И куда? Ах, да – никто не знает… И что, прямо до утра?
— Ну, кому сколько нужно спать.
— Понятно… А как же будильники?
— Кто такие будильники?
— Не кто, а что. Устройства в часах, которые будят человека в определённый час. Ваши… родственники исчезают с будильниками?
— Нет… Нам не нужны устройства. Мы просыпаемся, когда надо.
— Похвальное свойство.

Васильев сегодня проснулся по будильнику – этому ненавистному, но необходимому человеку механизму. Будильник он держал механический, с заводом и колокольчиками – остался от бабушки. Тикание механических часов успокаивало врача, и он так легче засыпал.

— Значит, ваши родные умеют спать, как Штирлиц.
— Кто?
— Советский шпион.
— Советский?
— Ладно, пока неважно.
— Не только родственники. Все люди.
— Все люди? В … городе?
— На планете!
— Ох, на планете. И как она называется?
— Кто?
— Планета ваша.
— Земля.
— Хмм. И наша тоже.
— Да, это-то и удивительно. Я вчера заснул, и проснулся здесь! Что-то пошло не так. Всё другое, всё не как дома, и люди здесь спят и лежат в кроватях.
— Да, действительно, удивительное дело.

«Перемещенец», значит,- понял Васильев. Уснул, и проснулся не в том мире. С кем не бывает. Стремление убежать от проблем, забыть их и представить, что их не существует, или же они находятся очень далеко, в другом городе, на другой планете, в другом мире. Фаза отрицания. Но от проблем так не убежишь – а если очень хочется, то мозг придумывает довольно странные защитные механизмы. И в результате у человека становится ещё одной проблемой больше.

Васильев потёр глаза и ещё раз взглянул на историю болезни. По словам пациента, ему 52 года, хотя выглядит помоложе. Назвался Константином Вораевым (редкая фамилия – чеченская? болгарская?). Документов при нём не было, из одежды – пижама. Полицейские подобрали на улице. Выглядел растерянным, не мог вспомнить, где живёт – точнее, выдал несуществующий адрес. Пока ни один запрос на пропавших людей не совпал. Отпечатков в базе полиции не было.

— Расскажите мне про ваш мир.
— А что рассказывать? Люди живут, дома стоят.
— Кем работаете?
— Бухгалтером.
— Семья, дети?
— Жена, две дочки.
— Как зовут?

Разговор продолжался довольно долго, и Васильев успел устать. Стройная, непротиворечивая картина мира, нарисованная пациентом, отличалась от нормальной только одним – исчезновением людей во сне. Несчастный случай? Похищение близкого человека с неприятным исходом, послужившее триггером для возникновения психоза? Или кто-то просто умер? Вот человек и придумал себе, что близкий его обязательно вернётся… Когда проснётся.

— Ну, хорошо. Давайте на сегодня закончим. Лекарств я вам прописывать пока никаких не буду…
— Лекарств! Не надо мне лекарств, я не сумасшедший! А вы меня запихнули в психушку!
— Вам нужно отдохнуть, набраться сил. Вам завтра может стать лучше.
— Я не сумасшедший! Мне будет лучше, если я просто засну!
— Да я именно это вам и хочу предложить. У нас освободилась палата одиночная, мы вас туда на ночь определим. Проспитесь, завтра и поговорим.
— Хорошо, спасибо вам,- пациент встал. – Можно идти?
— Идите,- сказал Васильев и вызвал санитаров. – Всего вам доброго, и отдыхайте.

«Всё, всё, на сегодня – хватит,- решил доктор. – Домой, ужинать, и тоже спать. Устал, как собака».

Помещённый в палату пациент, сидя на кровати, прислушивался к окружающей обстановке. За окошком с решёткой был парк, там было тихо. Через стены звуки соседних комнат не доносились. Он облегчённо вздохнул, и улёгся, накрывшись одеялом. – «Хочу домой»,- еле слышно произнёс он, закрывая глаза.

На утреннем обходе дежурный доктор обнаружил, что палата нового пациента была пуста. Кровать была разобрана, но на ней было только бельё, подушка и одеяло – пациент вместе с больничной одеждой исчез без следов.

Новости — О сне новорожденного

    Сон новорождённого ребёнка – это своего рода защитный природный механизм, помогающий малышу и маме восстанавливать собственные силы. Уставшая за беременность и послеродовой период мама с благодарностью воспринимает каждую минуту отдыха, а сам малыш во сне растёт и развивается. Именно благодаря сну новорождённый ребёнок восполняет энергию и нервные клетки, которые тратятся в период активного бодрствования.

    В то же время, выражение «спать как новорожденный» в значении «спокойно и счастливо» далеко не всегда отражает реалии молодой семьи. Сон может стать одним из самых непростых испытаний для новоиспеченных родителей. Многие дети путают день и ночь. Днем они подолгу спят, оставляя силы для бодрствования в ночные часы. Родители ребенка, который просыпается ночью каждый час, чтобы поесть и потребовать к себе внимания, очень устают.

    Первые недели и даже месяцы новорожденный ребенок привыкает к тому, что ночью нужно спать, ведь в утробе мамы не было деления на день и ночь, ребенок беспрерывно получал питательные вещества.

    В первые три месяца сон новорожденного обычно длится 16-18 часов в сутки. С четвертого месяца периоды бодрости днем становятся более длинными. Надо учитывать то, что сон — константная величина, поэтому ребенок, который много спит днем, будет спать меньше ночью.

   Так же связаны засыпания и пробуждения: если ребенок поздно засыпает, то и будет вставать позднее (и наоборот: заснет раньше —  встанет раньше).

   Вообще сон новорожденного отличается от сна взрослого: взрослый большую часть ночи проводит в фазе глубокого сна, а сон новорожденного характеризуется многими фазами поверхностного сна. Фазы у детей также менее короткие, чем у взрослых: у детей 1 цикл длится приблизительно 50 минут, а у взрослых 90-120 минут. После засыпания у взрослых сразу наступает фаза глубокого сна, а у детей первые 20-30 минут длится поверхностный сон, они могут быстро проснуться. Поэтому если малыш заснул у Вас на руках, подержите его 20 минут, а потом перекладывайте в кроватку (иначе ребенок может сразу после перекладывания проснуться).

   Правильное чередование сна и бодрствования очень важно. Его необходимо придерживаться уже с первого месяца жизни, так как это будет способствовать и физическому здоровью в целом, и укреплению нервной системы, что, в свою очередь, незамедлительно скажется на дальнейшем развитии младенца в положительном ракурсе. При этом приучать новорожденного искусственно к какому-то определенному ритму сна не имеет смысла — предоставьте ему возможность самому войти в собственный режим и просто подстройтесь к нему.

Организация сна

   
Обычно малыш спит в кроватке, для новорожденного можно использовать люльку или коляску — в них кроха себя уютнее чувствует после рождения, так как внутри утробы он привык к тесноте.

    Подушка новорожденному не нужна — поверхность, на которой он будет спать, должна быть ровной и плоской. Например, дополнительной пеленки под голову вполне достаточно, чтобы не спровоцировать искривление позвоночника, который пока еще очень податлив, и не пережимать сосуды, проходящие вдоль шейного отдела.

   Постельные принадлежности ребенка должны быть чистыми и из натурального материала — это основное требование к ним. Убранство кроватки зависит от вкусов и пристрастий родителей, однако не стоит класть в детскую кроватку какие-либо посторонние предметы, особенно мягкие.

    Помещение, где спит малыш, следует проветривать перед тем, как ребенок укладывается спать. В детской не должно быть сквозняков.

    Одежда для сна фактически никак не отличается от дневной, но следует ориентироваться на комфорт малыша и родителей — чтобы было удобно и быстро поменять подгузник ночью.

    Есть дети, которые комфортнее чувствуют себя в пеленках, чем во «взрослой одежде». Младенца рекомендуется пеленать свободно: не стягивать туго ноги и руки — не превращать в «стойкого оловянного солдатика», лежащего по стойке «смирно».

    На ночь не рекомендуется особенно тепло одевать ребенка: не нужно дополнительно надевать на него носочки и чепчики. При температуре воздуха 18-20°С достаточно надеть на малыша трикотажный комбинезон, накрыть его легким одеялом до грудки или использовать специальный конверт для сна. При температуре воздуха 24°С достаточно накрыть кроху простынкой.

   Что касается наиболее приемлемой позы, то новорожденного традиционно рекомендуется класть на спинку с удобным для малыша поворотом головы в ту или иную сторону — такое положение считается более безопасным, особенно для детей, которые срыгивают (по рекомендациям западных педиатров).

   Ритуал отхода ко сну лаконично можно охарактеризовать так: он должен быть повторяющимся (кормление, купание, туалет, массаж, общение, укладывание), простым, приятным, успокаивающим.

   Не стоит приучать кроху с первых дней жизни засыпать у Вас на руках. Как бы ни было это приятно в самом начале, впоследствии это может вызвать затруднения. Если малыш спокойно засыпает в кроватке, не стоит брать его на руки.

   Если же младенец заснул на руках, то, прежде чем перекладывать его в кроватку, необходимо дождаться погружения в глубокий сон. Стадия глубокого сна наступает примерно через 20-30 минут от момента засыпания и характеризуется полным расслаблением ребенка. Маме следует набраться терпения и дождаться момента, когда ребенок заснет глубоко, а не торопиться перекладывать его.

   Отдельно хочется коснуться необходимости укачивания — эта процедура не является необходимой, а при особенном усилии она может стать опасной из-за возникновения так называемого «симптома тряски», при котором сильное качание может приводить к потере сознания из-за изменений, происходящих в системе кровоснабжения центральной нервной системы.

Требования к спальному месту

  
— Кроватка (люлька/коляска) должна быть чистая и сухая, располагаться в месте, наиболее удаленном от шума, света, сквозняков, батареи, электроприборов.
  — В кровати — жесткий матрасик, простынь и одеяльце, обеспечивающее температурный комфорт. Подушка новорожденному не требуется.
   — Кровать предназначена только для сна. Бодрствовать в ней не совсем целесообразно.
   — Комната хорошо проветрена, температура желательна не более 20°.
   — Правильно одевайте малыша (если ему будет жарко, холодно, тесно, шершаво и др. — сон обязательно нарушится. — Нежелательно чтобы ребенок спал (да и бодрствовал тоже) вблизи работающей электроники (телевизор, компьютер, мобильный или радиотелефон и т.д.).

Ночные кормления

   
Особенно хочется отметить необходимость ночных кормлений для мамы и малыша, так как ночью, особенно в предутренние часы, кормление стимулирует выработку в головном мозге матери гормонов, которые обеспечивают лактацию на следующие сутки. Способы ночных кормлений каждая мама выбирает согласно своим предпочтениям — главное, чтобы это было удобно и комфортно и для мамы, и для малыша, и для других членов семьи. Варианты, которыми можно пользоваться, таковы:

• кормление в кресле, в ходе которого мама может вздремнуть сидя;
• кормление в родительской постели, а после этого укладывание ребенка обратно в кроватку;
• кормление в родительской постели и дальнейший совместный сон.

    Надеемся, что Вы нашли для себя полезную информацию в этой статье. Желаем Вам рационально организовать собственное время и режим, и Вам обязательно удастся научить этому своего кроху. Наблюдайте за своим малышом, и материнский инстинкт подскажет Вам верное решение в любой ситуации!

    Приятных Вам покупок,  Ваш ComfortBaby.com

DeepDream | TensorFlow Core

Это руководство содержит минимальную реализацию DeepDream, как описано в этом сообщении блога Александра Мордвинцева.

DeepDream — это эксперимент, который визуализирует паттерны, полученные нейронной сетью. Подобно тому, как ребенок наблюдает за облаками и пытается интерпретировать случайные формы, DeepDream чрезмерно интерпретирует и усиливает узоры, которые он видит на изображении.

Это делается путем пересылки изображения по сети с последующим вычислением градиента изображения по отношению к активациям определенного слоя.Затем изображение модифицируется, чтобы усилить эти активации, усилить паттерны, видимые сетью, и в результате получить образ, похожий на сон. Этот процесс получил название «Inceptionism» (ссылка на InceptionNet и фильм «Начало»).

Давайте продемонстрируем, как можно сделать нейронную сеть «мечтой» и улучшить сюрреалистические узоры, которые она видит на изображении.

  импортировать тензорный поток как tf
  

  импортировать numpy как np

импортировать matplotlib как mpl

импортировать IPython.отображать как отображение
импортировать PIL.Image

из tenorflow.keras.preprocessing импорт изображения
  

Выберите изображение для мечты

В этом уроке мы используем изображение лабрадора.

  url = 'https://storage.googleapis.com/download.tensorflow.org/example_images/YellowLabradorLooking_new.jpg'
  

  # Загрузите изображение и прочтите его в массив NumPy.
def скачать (url, max_dim = None):
  name = url.split ('/') [- 1]
  image_path = tf.keras.utils.get_file (имя, происхождение = URL)
  img = PIL.Image.open (image_path)
  если max_dim:
    img.thumbnail ((max_dim, max_dim))
  вернуть np.array (img)

# Нормализовать изображение
def deprocess (img):
  img = 255 * (img + 1.0) /2.0
  вернуть tf.cast (img, tf.uint8)

# Показать изображение
def show (img):
  display.display (PIL.Image.fromarray (np.array (img)))


# Уменьшение размера изображения упрощает работу.
original_img = скачать (url, max_dim = 500)
показать (original_img)
display.display (display.HTML ('Копия изображения:  jpg">Von.grzanka  '))
  

Загрузка данных из https & col; // storage.googleapis.com/download.tensorflow.org/example_images/YellowLabradorLooking_new.jpg
/83281 [================================] - 0 с 0 мкс / шаг

 

Загрузите и подготовьте предварительно обученную модель классификации изображений. Вы будете использовать InceptionV3, который похож на модель, изначально использовавшуюся в DeepDream. Обратите внимание, что любая предварительно обученная модель будет работать, хотя вам придется изменить имена слоев ниже, если вы измените это.

  base_model = tf.keras.applications.InceptionV3 (include_top = False, weights = 'imagenet')
  

Загрузка данных из https & col; // storage.googleapis.com/tensorflow/keras-applications/inception_v3/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5
87916544/87910968 [================================] - 2 с 0 мкс / шаг

 

Идея DeepDream состоит в том, чтобы выбрать слой (или слои) и максимизировать «потери» таким образом, чтобы изображение все больше «возбуждало» слои. Сложность включенных функций зависит от выбранных вами слоев, то есть нижние слои создают штрихи или простые узоры, а более глубокие слои придают сложные функции изображениям или даже целым объектам.

Архитектура InceptionV3 довольно велика (график архитектуры модели см. В исследовательском репозитории TensorFlow). Для DeepDream нас интересуют те слои, в которых свертки объединены. В InceptionV3 есть 11 таких слоев, которые называются от «mixed0» до «mixed10».Использование разных слоев приведет к получению разных сказочных изображений. Более глубокие слои реагируют на элементы более высокого уровня (например, глаза и лица), тогда как более ранние слои реагируют на более простые элементы (такие как края, формы и текстуры). Не стесняйтесь экспериментировать со слоями, выбранными ниже, но имейте в виду, что более глубокие слои (с более высоким индексом) потребуют больше времени для обучения, поскольку вычисление градиента более глубокое.

  # Максимально активировать эти слои
имена = ['смешанный3', 'смешанный5']
Layers = [base_model. get_layer (name) .output для имени в именах]

# Создайте модель извлечения признаков
dream_model = tf.keras.Model (входы = base_model.input, выходы = слои)
  

Рассчитать убыток

Убыток — это сумма активаций в выбранных слоях. Потери нормализованы на каждом слое, поэтому вклад более крупных слоев не перевешивает меньшие слои. Обычно потери — это величина, которую вы хотите минимизировать с помощью градиентного спуска. В DeepDream вы максимизируете эту потерю с помощью градиентного подъема.

  def calc_loss (img, модель):
  # Пропустите изображение через модель, чтобы получить активации.
  # Преобразует изображение в пакет размером 1.
  img_batch = tf.expand_dims (img, axis = 0)
  layer_activations = модель (img_batch)
  если len (layer_activations) == 1:
    layer_activations = [layer_activations]

  потери = []
  для действия в layer_activations:
    потеря = tf.math. reduce_mean (действие)
    loss.append (убыток)

  return tf.reduce_sum (убытки)
  

Градиентный подъем

После того, как вы рассчитали потери для выбранных слоев, все, что осталось, это вычислить градиенты по отношению к изображению и добавить их к исходному изображению.

Добавление градиентов к изображению улучшает узоры, видимые сетью. На каждом этапе вы будете создавать изображение, которое все больше и больше возбуждает активацию определенных слоев в сети.

Метод, который делает это, ниже, заключен в tf.function для повышения производительности. Он использует input_signature , чтобы гарантировать, что функция не будет восстанавливаться для разных размеров изображения или шагов, / step_size значений. Подробности см. В руководстве по конкретным функциям.

  класс DeepDream (tf. Module):
  def __init __ (я, модель):
    self.model = модель

  @ tf.function (
      input_signature = (
        tf.TensorSpec (shape = [None, None, 3], dtype = tf.float32),
        tf.TensorSpec (shape = [], dtype = tf.int32),
        tf.TensorSpec (shape = [], dtype = tf.float32),)
  )
  def __call __ (self, img, steps, step_size):
      print («Трассировка»)
      потеря = tf.constant (0,0)
      для n в tf.range (шаги):
        с tf.GradientTape () в качестве ленты:
          # Для этого нужны градиенты относительно `img`
          # `GradientTape` смотрит только` tf.Переменная по умолчанию
          tape.watch (img)
          потеря = calc_loss (img, self.model)

        # Вычислить градиент потерь относительно пикселей входного изображения.
        градиенты = лента.градиент (потери, img)

        # Нормализовать градиенты.
        градиенты / = tf.math.reduce_std (градиенты) + 1e-8

        # При градиентном подъеме «потери» максимизируются, так что входное изображение все больше «возбуждает» слои. 
        # Вы можете обновить изображение, напрямую добавив градиенты (потому что они одинаковой формы!)
        img = img + градиенты * step_size
        img = tf.clip_by_value (img, -1, 1)

      возвратные убытки, img
  

  deepdream = DeepDream (модель мечты)
  

Главный контур

  def run_deep_dream_simple (img, steps = 100, step_size = 0,01):
  # Преобразование из uint8 в диапазон, ожидаемый моделью.
  img = tf.keras.applications.inception_v3.preprocess_input (img)
  img = tf.convert_to_tensor (img)
  step_size = tf.convert_to_tensor (размер_шага)
  steps_remaining = шаги
  step = 0
  а steps_remaining:
    если steps_remaining> 100:
      run_steps = tf.постоянная (100)
    еще:
      run_steps = tf.constant (steps_remaining)
    steps_remaining - = run_steps
    step + = run_steps

    потеря, img = deepdream (img, run_steps, tf. constant (step_size))

    display.clear_output (ждать = Истина)
    показать (deprocess (img))
    print ("Шаг {}, убыток {}". формат (шаг, убыток))


  результат = deprocess (img)
  display.clear_output (ждать = Истина)
  показать (результат)

  вернуть результат
  

  dream_img = run_deep_dream_simple (img = original_img,
                                  steps = 100, step_size = 0.01)
  

Увеличение октавы

Довольно хорошо, но с этой первой попыткой есть несколько проблем:

1. Выходной сигнал зашумлен (это можно исправить с помощью потери tf.image.total_variation ).
2. Изображение низкого разрешения.
3. Похоже, что все шаблоны происходят с одинаковой степенью детализации.

Один из подходов, который решает все эти проблемы, — это применение градиентного подъема в разных масштабах. Это позволит объединить шаблоны, созданные в меньших масштабах, в шаблоны более высоких масштабов и заполнить их дополнительными деталями.

Для этого вы можете выполнить предыдущий подход градиентного подъема, затем увеличить размер изображения (который называется октавой) и повторить этот процесс для нескольких октав.

  время импорта
start = time.time ()

OCTAVE_SCALE = 1,30

img = tf.constant (np.array (исходный_имг))
base_shape = tf.shape (img) [: - 1]
float_base_shape = tf.cast (base_shape, tf.float32)

для n в диапазоне (-2, 3):
  new_shape = tf.cast (float_base_shape * (OCTAVE_SCALE ** n), tf.int32)

  img = tf.image.resize (img, new_shape) .numpy ()

  img = run_deep_dream_simple (img = img, steps = 50, step_size = 0,01)

display.clear_output (ждать = Истина)
img = tf.image.resize (img, base_shape)
img = tf.image.convert_image_dtype (img / 255.0, dtype = tf.uint8)
показать (img)

конец = время.время ()
конец-начало
  

5,535110235214233
 

Дополнительно: масштабирование с использованием плиток

Следует учитывать, что по мере увеличения размера изображения увеличиваются время и память, необходимые для выполнения вычисления градиента. Вышеупомянутая реализация октав не будет работать с очень большими изображениями или многими октавами.

Чтобы избежать этой проблемы, вы можете разделить изображение на плитки и вычислить градиент для каждой плитки.

Применение случайных сдвигов к изображению перед каждым вычислением мозаики предотвращает появление стыков мозаики.

Начните со случайной смены:

  def random_roll (img, maxroll):
  # Произвольно сместите изображение, чтобы избежать мозаичных границ.
  shift = tf.random.uniform (shape = [2], minval = -maxroll, maxval = maxroll, dtype = tf.int32)
  img_rolled = tf.roll (img, shift = shift, axis = [0,1])
  обратная смена, img_rolled
  

  сдвиг, img_rolled = random_roll (np.array (original_img), 512)
показать (img_rolled)
  

Вот плиточный эквивалент функции deepdream , определенной ранее:

  класс TiledGradients (tf. Module):
  def __init __ (я, модель):
    self.model = модель

  @ tf.function (
      input_signature = (
        tf.TensorSpec (shape = [Нет, Нет, 3], dtype = tf.float32),
        tf.TensorSpec (shape = [], dtype = tf.int32),)
  )
  def __call __ (self, img, tile_size = 512):
    shift, img_rolled = random_roll (img, tile_size)

    # Инициализировать градиенты изображения до нуля.
    градиенты = tf.zeros_like (img_rolled)

    # Пропустить последнюю плитку, если только она не одна.
    xs = tf.range (0, img_rolled.shape [0], tile_size) [: - 1]
    если не tf.cast (len (xs), bool):
      xs = tf.constant ([0])
    ys = tf.range (0, img_rolled.shape [1], tile_size) [: - 1]
    если не tf.cast (len (ys), bool):
      ys = tf.константа ([0])

    для x в xs:
      для y в ys:
        # Рассчитать градиенты для этой плитки.
        с tf.GradientTape () в качестве ленты:
          # Для этого нужны градиенты относительно `img_rolled`.
          # По умолчанию `GradientTape` просматривает только` tf. Variable`s.
          tape.watch (img_rolled)

          # Извлечь плитку из изображения.
          img_tile = img_rolled [x: x + tile_size, y: y + tile_size]
          потеря = calc_loss (img_tile, self.model)

        # Обновите градиенты изображения для этой плитки.градиенты = градиенты + лента.градиент (потеря, img_rolled)

    # Отменить случайный сдвиг, примененный к изображению и его градиентам.
    градиенты = tf.roll (градиенты, shift = -shift, axis = [0,1])

    # Нормализовать градиенты.
    градиенты / = tf.math.reduce_std (градиенты) + 1e-8

    возвращать градиенты
  

  get_tiled_gradients = TiledGradients (dream_model)
  

Собирая все это вместе, мы получаем масштабируемую реализацию Deepdream с учетом октав:

  def run_deep_dream_with_octaves (img, steps_per_octave = 100, step_size = 0.01,
                                octaves = диапазон (-2,3), octave_scale = 1,3):
  base_shape = tf. shape (img)
  img = tf.keras.preprocessing.image.img_to_array (img)
  img = tf.keras.applications.inception_v3.preprocess_input (img)

  initial_shape = img.shape [: - 1]
  img = tf.image.resize (img, initial_shape)
  для октавы в октавах:
    # Масштабировать изображение по октаве
    new_size = tf.cast (tf.convert_to_tensor (base_shape [: - 1]), tf.float32) * (octave_scale ** октава)
    img = tf.image.resize (img, tf.cast (новый_размер, tf.int32))

    для шага в диапазоне (steps_per_octave):
      градиенты = get_tiled_gradients (img)
      img = img + градиенты * step_size
      img = tf.clip_by_value (img, -1, 1)

      если шаг% 10 == 0:
        display.clear_output (ждать = Истина)
        показать (deprocess (img))
        print ("Октава {}, Шаг {}". формат (октава, шаг))

  результат = deprocess (img)
  вернуть результат
  

  img = run_deep_dream_with_octaves (img = original_img, step_size = 0,01)

display. clear_output (ждать = Истина)
img = tf.изображение.resize (img, base_shape)
img = tf.image.convert_image_dtype (img / 255.0, dtype = tf.uint8)
показать (img)
  

Намного лучше! Поиграйте с количеством октав, октавной шкалой и активированными слоями, чтобы изменить внешний вид вашего изображения в DeepDream.

Читатели также могут быть заинтересованы в TensorFlow Lucid, который расширяет идеи, представленные в этом руководстве, для визуализации и интерпретации нейронных сетей.

Это ослепительно, жутко и многое говорит нам о будущем А.I.

В прошлом месяце Google представил гипнотические программу под названием DeepDream, что ранние использовали для создания психоделических вариации всего от Босха к порно (NSFW!). Взяв эти объекты и подвергнув их анализу с помощью «нейронной сети» — или того, что известно как «глубокое обучение», DeepDream создает изображения с пузырящимися глазами, птицами, ослепляющими контурами и другими вещами, которые выглядят так, как будто они принадлежат к обложке Альбом King Crimson. Это ослепительно и сюрреалистично — еще одно свидетельство открытия Сальвадора Дали, что глазные яблоки могут только улучшить искусство, — но также и жутко.Это предполагает некое творчество в сознании машины, выполняющей обработку, и своего рода мечтателя в основе сновидения.

Так что же происходит в нейронных сетях сновидений и что это предвещает будущее искусственного интеллекта? Ответ многое говорит нам о том, куда идет искусственный интеллект и почему он может быть более творческим, более непрозрачным и гораздо менее предсказуемым, чем мы, возможно, хотели бы.

В большинстве статей о DeepDream наталкивается на саму концепцию нейронной сети, которая на самом деле не имеет большого отношения к биологическим нейронам. Нейронные сети — это один из инструментов машинного обучения, области информатики, ориентированной на создание обучаемых систем для распознавания образов и прогнозного моделирования, которое, также, не имеет ничего общего с человеческим обучением. Возьмем, например, распознавание образов порно изображений, используемых для классификации, следует ли изображение быть отфильтрован из поиска всех возрастов. Программисты кормить сеть, в которой «обучающий набор» порно изображений и nonporn изображений, каждое классифицировано как таковое вручную. На основе обучающей выборки, нейронная сеть итеративно подстраивает большой внутренний набор вероятностей и условий, используя его, чтобы сделать лучшее предположение относительно того, является ли неопределенное изображение порнографическим или нет.Это очень приблизительная оценка, основанная на большом количестве взаимозависимых вероятностей. Преобладание определенных оттенков кожи, наличие определенных форм, отсутствие других характеристик — все это придает больший или меньший вес окончательному решению нейронной сети. В конце обучения сеть работает намного лучше, чем в начале, поэтому это называется «обучением».

Именно такие вероятностные предположения лежат в основе DeepDream, только в совершенно другом приложении.Где порно узнает фильтр различать порно и nonporn изображений, DeepDream учится идентифицировать участки изображения, которые напоминают другие общие части изображений (назовем их архетипы). Затем DeepDream добавляет новую морщинку, изменяя исходное изображение, чтобы оно больше походило на архетип того, что DeepDream связывает с определенным словом, поэтому он создает, скажем, обнаженную женщину, украшенную глазными яблоками. DeepDream может, если его спросят, «найти» архетип в изображении, которое является полным мусором, как когда исследователи Google попросили его найти бананы в случайном шуме.DeepDream обнаружил частички шума, которые соответствовали большинству (все еще не очень много) с его архетипом банан, а затем постепенно изменили изображение, чтобы бананы стали более рельефными.

На запрос на поиск бананов DeepDream находит бананы в шуме.

Предоставлено Google Research Blog

Применение этих архетипов, какими бы убедительными или сюрреалистическими они ни были, объясняет некоторую единообразие результатов DeepDream.Поскольку DeepDream ищет закономерности на фоне развивающегося, но уникального набора архетипов, DeepDream выявляет не только одни и те же черты (собака, глазное яблоко) в изображениях, но и те же проявления этих черт (эта собака, это глазное яблоко). Однородный гештальт Интернета дает DeepDream наилучшее предположение о том, как «выглядит» конкретное слово или фраза, и в результате возникает сюрреализм просто потому, что догадки довольно далеки. Конечно, DeepDream не видит ничего из этого; то, что представлено, — это просто визуализация идентифицируемых закономерностей, наложенных на исходное изображение.

Люди и животные тоже работают с архетипами, но их архетипы гораздо труднее уловить. Когда мы думаем о «собаке» или «глазу», у нас есть способность сразу же различать их изображения, однако наш разум, кажется, не сравнивает их с фиксированным эталонным изображением, даже очень хорошим. Происходит что-то более загадочное. Тем не менее, для того, чтобы нейронные сети распознавали архетипы в изображениях, были предприняты некоторые примитивные шаги в направлении одного из фундаментальных элементов человеческого познания — распознавания образов.Но это не совсем по-человечески.

 слой 1: волнистый 
 слой 2: линии 
 слой 3: коробки 
 слой 4: круги 
 слой 6: собаки, медведи, милые животные . 
 слой 7: лица, здания 
 слой 8: начинают появляться рыбы, лягушки / глаза рептилий. 
 слой 10: обезьяны, ящерицы, змеи, утки