К содержимому
Другое

MtReNIRS Pretrained

предобученный энкодер для сигналов fNIRS в braindecode

2 мин чтенияобновлено

Репозиторий содержит побайтово точную копию весов предобученного энкодера MtReNIRS (Self-Supervised Foundation Model для нейроваскулярных представлений) от исследователей Microsoft, подготовленную для интеграции в библиотеку braindecode. Модель принимает 10-секундные отрезки сигналов функциональной ближней инфракрасной спектроскопии (HbO/HbR — данные об оксигенации крови в мозге) и извлекает из них информативные нейронные признаки для последующих задач анализа. В отличие от обучения нейросетей с нуля на небольших нейрофизиологических выборках, готовые веса позволяют сразу переносить выученные представления под свои задачи классификации. Релиз пригодится исследователям нейроинтерфейсов (BCI) и специалистам по обработке биосигналов на Python.

Ключевые особенности

  • Полная совместимость с braindecode — ключи чекпоинта mtrenirs_10s.pt совпадают со структурой класса MtReNIRS и загружаются напрямую через load_state_dict.
  • Строгий формат входных данных — модель ожидает 10-секундные окна (100 отсчётов на частоте 10 Гц) по каналам HbO/HbR.
  • Специфическая нормализация — каждый канал должен быть стандартизирован (z-score) по всей записи с обрезкой значений на уровне 6 и привязкой координат каналов к системе Standard 10-05.
  • Свободная лицензия MIT — оригинальные веса выпущены Microsoft Corporation под открытой коммерчески дружелюбной лицензией.

Что можно сделать

  • Использовать энкодер как базу для трансферного обучения (transfer learning) и классификации состояний мозга по данным fNIRS внутри пайплайнов braindecode.
  • Воспроизводить эксперименты из научной работы Chae et al. (2026) и сравнивать качество нейроваскулярных представлений со своими архитектурами.

Пример

import torch
from huggingface_hub import hf_hub_download
from braindecode.models import MtReNIRS

path = hf_hub_download("braindecode/mtrenirs-pretrained", "mtrenirs_10s.pt")
model = MtReNIRS(chs_info=raw.info["chs"], n_outputs=2, n_times=100, sfreq=10.0)
model.load_state_dict(torch.load(path, map_location="cpu", weights_only=True))
Подробнее Формат входа: 10 Гц HbO/HbR, окна по 100 сэмплов (10 секунд), пространство каналов Standard 10-05.
Структура файла: чекпоинт содержит словарь с ключами config и model.
Происхождение: зеркало файла models/weights/mtrenirs_10s.pt из репозитория microsoft/MtReNIRS (коммит 16c3082).
Лицензия: MIT (Copyright Microsoft Corporation).
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # braindecode/mtrenirs-pretrained
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download braindecode/mtrenirs-pretrained --local-dir ~/models/mtrenirs-pretrained
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к mtrenirs-pretrained
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии mtrenirs-pretrained — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

braindecode/mtrenirs-pretrained
Автор
braindecode
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

nanoGlimmer

nanoGlimmer