Сегодня у нас сразу три мини-обзора на пять игр, если считать трилогию по частям. И все очень маленькие. В Steam была распродажа Playism, я взял очень дешёвый бандл с кучей мини-игр, несколько прошёл, и некоторые даже понравились:

Мини-игры от Playism: 7 Days to End With You, Awareness Rooms, Star Sky 1–3
(и вот пост на DTF)

Playism — издательская марка осакской компании Active Gaming Media, существует с 2011 года. Придумана она была для того, чтобы возить японские додзин-игры на Запад, а западные инди — в Японию, и за пятнадцать лет через неё прошло больше полутора сотен игр, в том числе La-Mulana, Momodora, Omori (на консолях), Bright Memory, локализация Yume Nikki. Всё это широко известные тайтлы. Но рядом в каталоге лежит куча маленьких игр по сто-двести рублей, которые в распродажу можно взять охапкой не глядя.

7 Days to End With You

Начну с лучшего. 7 Days to End With You — игра японского разработчика-одиночки lizardry, вышла в 2022 году. И это очень крутая головоломка.

Завязка такая: вы открываете глаза в незнакомой комнате, ничего не помните, а рядом с кроватью стоит незнакомка с красными волосами и что-то говорит. И вы не понимаете ни слова — не в переносном смысле, а буквально: весь текст в игре написан на выдуманном языке из закорючек. Игра честно предупреждает на первом же экране: “вы наблюдатель этой истории”, “вы вольны понимать слова, которые читаете, как хотите”, “мир изменится в зависимости от вашего понимания”. [...]

Сначала мне вообще показалось, что это лингвистическая игра вроде Chants of Sennaar, где надо расшифровывать довольно разные между собой языки (о ней я вам обязательно расскажу, когда доиграю до конца). Потом всё-таки оказалось, что это не так, но спойлерить не буду, тут по сути вся игра про две догадки, и их, конечно, лучше сделать самому.

В общем, для такой маленькой игры очень круто. Лучшей рекомендацией будет, наверное, вот что: это первая игра за много лет, для которой я на полном серьёзе взялся за лист бумаги и карандаш.

Awareness Rooms

Awareness Rooms — совсем крохотная головоломка 2016 года, где-то на час геймплея. Сделал её тоже один человек, японец под ником BomB; по его словам, работал по выходным, в качестве хобби. Автор называет основными референсами Yume Nikki и The Room; оно и видно.

В игре есть некая свежая идея. [...] Правда, вот как раз эта идея не очень-то хорошо оказалась проработана. [...]

Зато загадки очень классные: изобретательные и не заезженные, играть было интересно. Комнат всего пять плюс нулевая обучающая, они действительно разнообразные и там очень даже есть о чём поразмыслить. Рекомендую!

Star Sky 1–3

Star Sky, Star Sky 2 и Star Sky 3 — трилогия шведа Мортена Йонссона, выходившая с 2015 по 2018 год; это проекты из разряда того, что называется медитативным опытом. Человек-силуэт идёт по ночному полю слева направо; над ним луна, звёзды, деревья; иногда идёт дождь, иногда пролетает комета. Всё, что от вас требуется, — идти и в некоторых местах останавливаться: постоишь под деревом — прилетит птица, постоишь на мосту — встретишь женщину, постоишь под дождём — появится радуга. [...]

Сделано на первый взгляд красиво и стильно, но по сути мне совсем не понравилось. Я пробежался по всем трём частям, суммарно примерно за час, все события, конечно, не выбивал — и так и не понял, что тут, собственно, происходит и зачем мне в этом разбираться. Никакой истории здесь, кажется, нет; никакого геймплея, кроме “остановиться или пройти мимо”, тоже. Не моё.

Заключение

Итого я совсем не пожалел, что потратил рублей сто-двести на весь этот бандл. 7 Days to End With You — очень рекомендую, крутая небольшая головоломка. Awareness Rooms — тоже рекомендую, часок проведёте с удовольствием. А вот Star Sky на любителя, и я не он.

#tgif #games

Почему свёрточная сеть не похожа на мозг, хотя её придумали по мотивам зрительной коры? В чём главный бонус от свёрток и почему у нас в голове так не получается? И какие ещё идеи, возникшие в свёрточных архитектурах, стоит понимать и в наши дни? Об этом в следующих лекциях в курсе глубокого обучения в ИТМО:

ИТМО — 2026.10.05 — Свёрточные нейронные сети
(слайды и доска на странице курса)

В этой сдвоенной лекции сначала разбираемся, что позволяет вообще обучать глубокую сеть: откуда берутся инициализация Ксавье и нормализация по мини-батчам, почему градиенты затухают и как с этим бороться. Потом переходим от опытов Хьюбела и Визеля к свёрткам: считаем размеры тензоров и число весов, рисуем receptive field, pooling, padding и stride. На примере LeNet хорошо видно, как миллионы потенциальных параметров превращаются в сотни, а локальные признаки постепенно становятся глобальными.

Во второй части идём по архитектурным идеям от AlexNet и VGG до Inception, ResNet и EfficientNet: маленькие свёртки вместо больших, подсети внутри сети, остаточные связи, узкие горлышки и параллельные ветви обработки. Этот материал давно вышел за пределы классического компьютерного зрения: остаточные связи и слои нормализации работают и в современных трансформерах. Свёрточные сети, кстати, тоже продолжают жить, хотя. конечно, до последних новостей мы здесь не добрались.

#lectures #itmo #dl2026

Как заставить нейросеть сначала закрасить силуэт панды на фотографии, а потом уверенно увидеть в ней гиббона? В курсе "Глубокое обучение" в СПбГУ на прошлой неделе была сдвоенная лекция (потому что в эту пятницу я уезжал, так что, может, даже какой-нибудь не-лекционный пост или лишний обзор игры найдётся для вас на следующей неделе):

СПбГУ — 2026.10.02 — Сегментация и рекуррентные сети
(слайды и доска на странице курса)

В лекции мы сначала переходим от прямоугольников вокруг объектов к попиксельным маскам: FCN, U-Net, Mask R-CNN и несколько способов не растерять точную геометрию картинки. У идеи U-Net оказалась долгая жизнь: энкодер, декодер и связи между ними сохраняются и в моделях, где свёртки заменяют механизмами внимания.

Затем разбираемся, как почти незаметная добавка к изображению может кардинально изменить ответ сети и почему такие состязательные примеры можно использовать для обучения.

А вторая лекция была посвящена рекуррентным сетям. Мы выяснили, почему им трудно помнить далёкое прошлое, а потом представили возможные решения этой проблемы. LSTM становится гораздо понятнее, если видеть в нём контроллер памяти: один гейт стирает из памяти, другой записывает, третий решает, что прочитать. Мы сравнили его с GRU и обсудили, почему попытки сэкономить на матрицах так и не сделали LSTM ненужным.

Впереди уже механизмы внимания, а там и великий и ужасный трансформер!

#spsu #dl2026 #lectures

Friends, Romans, countrymen!

Вас уже не совсем с синекурин нос, и даже слегка побольше, чем Майлз наплакал, сожалея об утраченном.

Отмечаю целую хабару подписчиков! Большое спасибо Ире за тортик и заботу, но главное всё-таки спасибо вам — за то, что вы есть! Ура!

Хотел было пожелать сам себе, чтобы в скором времени уже было бессмысленно отмечать каждую тысячу подписчиков, а отмечали бы только каждые 5К или 10К. Но, если честно, не уверен, что я этого на самом деле хочу. Всё-таки у меня тут очень хорошая аудитория собралась, а что происходит в комментах в больших каналах, мы все регулярно наблюдаем...

Так что пусть идёт как идёт. Но я всё равно очень рад всем новоприбывшим и надеюсь, что не разочарую. Спасибо вам!

#blog #lifestyle

В пространстве размерности сто нет смысла покупать апельсины: они почти целиком состоят из кожуры. А ближайшие соседи там перестают быть близкими.

Последние лекции в Центральном университете были совсем поздними (я возвращался из поездки, и начало двух пар пришлось перенести с 19 часов на 20, да ещё и приехал к окончательно сломавшемуся компьютеру), но в итоге всё получилось:

ЦУ — 2026.10.09 — Проклятие размерности, bias-variance и гауссиан
(слайды, доска и ноутбук на странице курса)

В первой части разбираем проклятие размерности: почему нельзя просто перебрать все варианты, взять интеграл по сетке или везде обойтись ближайшими соседями. Затем смотрим на машинное обучение через статистическую теорию принятия решений и раскладываем ошибку на смещение, разброс и неустранимый шум.

Во второй части проводим байесовский вывод для гауссиана с неизвестными средним и дисперсией. Здесь есть небольшой сюрприз: и распределение среднего, и предсказательное распределение оказываются распределениями Стьюдента, то есть не просто гауссианом с большей дисперсией, а реально другим распределением с гораздо более тяжёлыми хвостами.

Эти сюжеты никуда не исчезли из современного ML. Поиск соседей нужен для поиска, в том числе поиска по эмбеддингам, геометрия в высоких размерностях всё так же требует осторожности. Разложение bias-variance-noise помогает понимать эффект регуляризации, а байесовский гауссиан показывает, что неопределённость в параметрах может менять даже форму предсказаний. В ноутбуке все три истории можно увидеть на картинках и сравнить аналитические формулы с экспериментами.

#centraluni #cubayes2026 #lectures

Уже традиционно выкладываю предыдущий семинар в день следующего.

Что, если вместо выбора конкретной модели машинного обучения усреднить предсказания всех моделей на свете? Если у вас есть бесконечные вычислительные ресурсы, это оказывается очень сильной идеей, связанной и с байесовским выводом, и с колмогоровской сложностью:

Семинар Markov Lab — 2026.10.07 — Индуктивный вывод Рея Соломонова
(слайды на странице семинара)

Кирилл Соколов (СПбГУ)

Начинается доклад с простого вопроса: как угадать следующее число в последовательности? Дальше появляются вероятностные меры, байесовский вывод и идея усреднить предсказания всех программ, которые могли породить наши наблюдения. Чем короче программа, тем больше её вес; здесь прогнозирование встречается с колмогоровской сложностью.

Получается удивительно сильный предсказатель — конечно, с оговоркой о том, что вычислить его в общем случае нельзя.

Эта идея остаётся разумной точкой отсчёта и сегодня. Любопытно, что разговор всю дорогу шёл фактически про языковые модели, которые учатся предсказывать следующий токен в последовательности — этим же действительно можно выразить любую задачу ML.

В докладе обсудили, что теряется при переходе от идеального вывода к доступным вычислениям, как на это смотреть через смеси моделей, dropout и SGD и почему одной гарантии качества недостаточно без вопроса о времени работы. А заодно разобрались, чем индукция отличается от дедукции и как это связано с "no free lunch"-теоремами.

#markovlab #seminar #spsu