"Шагающий" белок кинезин
═════════════════════
Еще в 2007 году японские исследователи сумели пронаблюдать под микроскопом работу одного из «молекулярных моторов» живой клетки — шагающего белка миозина V, который умеет активно передвигаться вдоль актиновых волокон и перетаскивать прикрепленные к нему грузы. Каждый шаг миозина V начинается с того, что одна из его «ног» (задняя) отделяется от актиновой нити.
Затем вторая нога наклоняется вперед, а первая свободно вращается на «шарнире», соединяющем ноги молекулы, до тех пор, пока случайно не коснется актиновой нити. Конечный итог хаотического движения первой ноги оказывается строго детерминирован благодаря фиксированному положению второй. Данный бело выполняет функцию водителя в организме.
#gif@physics_math
#биология@physics_math
#химия@physics_math
#интересные_факты@physics_math
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
═════════════════════
Еще в 2007 году японские исследователи сумели пронаблюдать под микроскопом работу одного из «молекулярных моторов» живой клетки — шагающего белка миозина V, который умеет активно передвигаться вдоль актиновых волокон и перетаскивать прикрепленные к нему грузы. Каждый шаг миозина V начинается с того, что одна из его «ног» (задняя) отделяется от актиновой нити.
Затем вторая нога наклоняется вперед, а первая свободно вращается на «шарнире», соединяющем ноги молекулы, до тех пор, пока случайно не коснется актиновой нити. Конечный итог хаотического движения первой ноги оказывается строго детерминирован благодаря фиксированному положению второй. Данный бело выполняет функцию водителя в организме.
#gif@physics_math
#биология@physics_math
#химия@physics_math
#интересные_факты@physics_math
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Mikrotik RoS 6.41: Большие изменения в Bridging и VLAN
Разработчики RoS уже достаточно давно анонсировали изменения в работе мостов (bridge), и включили эту новую функциональность в Release Candidate ветку, вот теперь они внесли это и в Current. Читать дальше → https://goo.gl/AdmxKQ
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Разработчики RoS уже достаточно давно анонсировали изменения в работе мостов (bridge), и включили эту новую функциональность в Release Candidate ветку, вот теперь они внесли это и в Current. Читать дальше → https://goo.gl/AdmxKQ
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Habr
Mikrotik RoS 6.41: Большие изменения в Bridging и VLAN
Разработчики RoS уже достаточно давно анонсировали изменения в работе мостов (bridge), и включили эту новую функциональность в Release Candidate ветку, вот теперь они внесли это и в Current. Что...
[Из песочницы] Коротко об HTML 5.2
Уважаемые коллеги, добрый день.
В связи с тем, что 14.12.2017 года W3C в блоге объявила о выходе новой редакции HTML 5, предлагаю Вашему вниманию краткое описания основных нововведений.
Новации
Поддержка модульного JavaScript
На мой взгляд, самая интересная и ожидаемая новация связана с поддержкой модульного синтаксиса последнего стандарта ECMA Script.
Читать дальше → https://goo.gl/qH94FT
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Уважаемые коллеги, добрый день.
В связи с тем, что 14.12.2017 года W3C в блоге объявила о выходе новой редакции HTML 5, предлагаю Вашему вниманию краткое описания основных нововведений.
Новации
Поддержка модульного JavaScript
На мой взгляд, самая интересная и ожидаемая новация связана с поддержкой модульного синтаксиса последнего стандарта ECMA Script.
Читать дальше → https://goo.gl/qH94FT
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Habr
Коротко об HTML 5.2
Уважаемые коллеги, добрый день. В связи с тем, что 14.12.2017 года W3C в блоге объявила о выходе новой редакции HTML 5 , предлагаю Вашему вниманию краткое описания основных нововведений. Новации...
[Из песочницы] Полное руководство по Splash Screen на Android
Перевод статьи Elvis Chidera "The (Complete) Android Splash Screen Guide". Но для начала немного истории о проблеме Splash Screen на Android. Читать дальше → https://goo.gl/dUfzQ7
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Перевод статьи Elvis Chidera "The (Complete) Android Splash Screen Guide". Но для начала немного истории о проблеме Splash Screen на Android. Читать дальше → https://goo.gl/dUfzQ7
#python #код #django #питон #джанго #программирование #cod #coding #ML #DataMining #deeplearning #neuralnets #neuralnetworks #neuralnetworks #ArtificialIntelligence #MachineLearning #DigitalTransformation #tech #ML #python
Habr
Полное руководство по Splash Screen на Android
Перевод статьи Elvis Chidera "The (Complete) Android Splash Screen Guide" . Но для начала немного истории о проблеме Splash Screen на Android. Два вида Splash Screen Google в гайдлайнах Material...
Forwarded from Machinelearning
RMBG v2.0 - новая модель удаления фона, предназначенная для эффективного отделения переднего плана от фона в различных категориях и типах изображений. Точность, эффективность и универсальность RMBG v2.0 конкурирует с ведущими SOTA-моделями.
RMBG-2.0 разработана на основе архитектуры BiRefNet и обучена на более чем 15 000 высококачественных, высокого разрешения, вручную маркированных (с точностью до пикселя), полностью лицензированных изображений.
Модель доступна на HF в двух версиях : pytorch и safetensors. Демо можно попробовать на HF Space.
from PIL import Image
import matplotlib.pyplot as plt
import torch
from torchvision import transforms
from transformers import AutoModelForImageSegmentation
model = AutoModelForImageSegmentation.from_pretrained('briaai/RMBG-2.0', trust_remote_code=True)
torch.set_float32_matmul_precision(['high', 'highest'][0])
model.to('cuda')
model.eval()
# Data settings
image_size = (1024, 1024)
transform_image = transforms.Compose([
transforms.Resize(image_size),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
image = Image.open(input_image_path)
input_images = transform_image(image).unsqueeze(0).to('cuda')
# Prediction
with torch.no_grad():
preds = model(input_images)[-1].sigmoid().cpu()
pred = preds[0].squeeze()
pred_pil = transforms.ToPILImage()(pred)
mask = pred_pil.resize(image.size)
image.putalpha(mask)
image.save("no_bg_image.png")
@ai_machinelearning_big_data
#AI #ML #BiRefNet #RMBG #BRIAAI
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍17❤11🔥5
Forwarded from Machinelearning
По мере роста объемов данных и сложности вычислений, вычисления на Python и NumPy, основанные на CPU, нуждаются в ускорении для выполнения современных исследований.
cuPyNumeric разработана, чтобы стать заменой библиотеки NumPy, предоставляя сообществу Python распределенные и ускоренные вычисления на платформе NVIDIA. cuPyNumeric позволяет масштабировать вычисления без изменения кода проектов с одного CPU до суперкомпьютеров с несколькими GPU и вычислительными нодами.
Библиотека построена на Legate, поддерживает родной Python и интерфейс NumPy. cuPyNumeric доступен из conda (версия не ниже 24.1) в legate channel. На системах с GPU пакеты, поддерживающие графические ускорители будут выбраны автоматически во время установки.
Пример эффективности cuPyNumeric - обработка 10 ТБ микроизображений многоракурсной микроскопии в виде одного массива NumPy за один день с визуализаций в режиме реального времени.
# Create new conda env
conda create -n myenv -c conda-forge -c legate cupynumeric
# Test via example from repo
$ legate examples/black_scholes.py
Running black scholes on 10K options...
Elapsed Time: 129.017 ms
@ai_machinelearning_big_data
#AI #ML #NumPy #NVIDIA #cuPyNumeric
Please open Telegram to view this post
VIEW IN TELEGRAM
👍13❤8🔥3