- 1. Pythonが嫌いなのでC++版のPytorchで画像認識をやってみる 9日目 スライス(# ゚Д゚)
- 2. tweepyでRT直後のツイートを全件取得してCSVに出力
- 3. TexTraの翻訳 APIをJavaScriptだけで取得する
- 4. Stable Diffusionを試す
- 5. Python,Ruby,PHP,Java,JavaScript,Perlの条件分岐の比較
- 6. MCMC(1)- 逆変換法
- 7. 画像生成AI(MidjourneyとStableDiffusion)の生成結果をキーワードから一覧化するページ(Twitter検索)
- 8. AIを使って不労所得の道へ(1)~Python AnyTradingでランダム投資~【AIncomeプロジェクト】
- 9. 【祝!!無限増殖】寝てる間に話題のStable Diffusionが無限に動く仕組みを作ってみた
- 10. 機械学習用の環境を0から構築した(windows11 + VSCode + venv + Tensorflow + GPU)
- 11. 敗北の味を知った
- 12. 【OpenCV+matplotlib】ベクトル場をカラーマップで良い感じに表示する方法
- 13. 【自己組織化マップ】類は友を呼ぶ
- 14. 【Selenium × Python】excepted_conditionsの条件を整理した
- 15. TorchvisionのCelebAデータセットについて
- 16. SPSS Modelerの回帰モデル評価のための精度分析ノードを、pythonに書き換える
- 17. python asyncio
- 18. Stable Diffusion導入で変なところでつまづいた人用
- 19. FastAPI with Lambda + API Gatewayでサーバレスアプリケーションの作成
- 20. Google DriveからGoogle Cloud Storageにファイルをコピーする(Python編)
Pythonが嫌いなのでC++版のPytorchで画像認識をやってみる 9日目 スライス(# ゚Д゚)
# Pythonなんか大っ嫌い(# ゚Д゚)
pythonが嫌いな理由の一つに[]の使い方がある。[]の中に命令文が入っていたり、呪文のよう構文が入っていたり。[]の中に書くのは配列関連の操作のようでfor文wihile文を簡略化できるようだが、何でも1行で書けばいいってものでもないだろう。プログラムというのはアルゴリズムの設計書なのだから、分かりやすさが大事だと昭和のおじさんは思う。
まあ、この配列の扱いやすさがPythonの特徴で大量のデータ処理を簡潔に処理できるというのは分かる。**負荷高いくせに遅いけどね。** カーボンニュートラルが叫ばれるこの時代、コンピューターのエネルギー消費効率にも気を使ってほしいものだ。# スライス
pythonの[]の謎の構文にスライスがある。こういうのだ。
“`py:
def decode(loc, priors, variances):
boxes = torch.cat((
priors[:, :2] + loc[:, :2] * variances[0] * priors[:, 2:],
prio
tweepyでRT直後のツイートを全件取得してCSVに出力
# はじめに
どうも,Heroku無料枠廃止のニュースに戦々兢々としているyagaodekawasuです。
友人と作ったTRPGの補助ツール「[Shinobi-Mas](https://shinobi-mas.herokuapp.com/index)」について友人がTwitterで宣伝したところ,思いの外拡散されました。【お知らせ】
秘匿ハンドアウト有りのTRPGシステム向けのハンドアウト管理ツール「Shinobi-Mas」を公開します。
ハンドアウトの一覧管理と、テーブル形式での秘密所持状況の確認・更新ができます。
是非使ってみてください。▼Shinobi-Mashttps://t.co/FNRvMvRT3R#T
TexTraの翻訳 APIをJavaScriptだけで取得する
**Web API の JavaScript での取得方法について** の質問があったので作ってみました。
https://mt-auto-minhon-mlt.ucri.jgn-x.jp/content/qa/detail/?q_qa_id=1790&t=1656590695
See the Pen
TexTra 翻訳 Demo by John D
Stable Diffusionを試す
# デモサイトで試す
どんな画像が生成されるのか、すぐに試せます。
https://huggingface.co/spaces/stabilityai/stable-diffusion
# Google Colabで試す
Pythonでいろいろ試してみたい場合は、Google Colab上で動かすのが簡単。
https://github.com/huggingface/diffusers
上記のREADMEから、手順だけ簡潔にまとめる。
1. Hugging Faceのアカウントを作成
https://huggingface.co/join
2. モデルへのアクセス規約に承諾(Access repositoryボタンを押す)
https://huggingface.co/CompVis/stable-diffusion-v1-4
3. アクセストークンの作成
https://huggingface.co/settings/tokens
4. ノートを立ち上げる
https://colab.research.google.com/github/huggingface/not
Python,Ruby,PHP,Java,JavaScript,Perlの条件分岐の比較
Python,Ruby,PHP,Java,JavaScript,Perlの条件分岐の比較
# Python
https://qiita.com/Morio/items/1e06e7ac768758af5ffe
# Ruby
https://qiita.com/sagawashu/items/0f08266d5f72229423d9
# PHP
https://qiita.com/Hashimoto-Noriaki/items/dfb76d440a64eccba95d
# Java
https://qiita.com/setonao/items/ebc341ddf6d95295c48e
# JavaScript
https://qiita.com/taiju_suzuki/items/e2bf11fcf1645623235f
# Perl
https://perlzemi.com/blog/20161023147731.html
MCMC(1)- 逆変換法
MCMCを理解するために順を追って説明する.まずは 逆変換法 について.
逆変換法では `[0,1]` 区間の一様分布から得られた乱数を変換することで任意の確率分布に従う乱数を得る方法.
### サイコロを作ろう
一様乱数を用いて出目の出現確率が等価なサイコロを作るにはどうすればよいか?
– $0\leq u <\frac{1}{6}$ のとき1 - $\frac{1}{6}\leq u <\frac{2}{6}$ のとき2 - ・・・ - $\frac{5}{6}\leq u <\frac{6}{6}$ のとき6 のような振り分けを行えば作れる. 必要なライブラリのインポート ```python import numpy as np import matplotlib.pyplot as plt import scipy.stats ``` パラメータの設定 ```python np.random.seed(0) N = 100000 # 確率分布関数を rv に格納 # [0.0, 1.0] の一様分布からの確率変数 rv = uniform(loc = 0.0, s
画像生成AI(MidjourneyとStableDiffusion)の生成結果をキーワードから一覧化するページ(Twitter検索)
# はじめに
画像生成AIサービスであるMidjourneyとStableDiffusionの生成結果をTwitterで検索し、キーワードから生成画像を調べたり使われている単語の分析を表示したりするページを作成しました
https://ai-art-twitter-hashtag.herokuapp.com
## キーワードから画像一覧
– Midjourney
![スクリーンショット 2022-08-26 21.37.06.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/638747/247d92d4-36b1-3263-dd2e-e7898c345115.png)
– Stable Diffusion
![スクリーンショット 2022-08-26 21.36.42.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/638747/5355fe9d-16af-d8c2-683c-1a3dedb59519.png)##
AIを使って不労所得の道へ(1)~Python AnyTradingでランダム投資~【AIncomeプロジェクト】
## はじめに
株やFXの知識がないため,戦略的な取引ができない素人が多いと思います.私もその一人です.
そこで,強化学習の力を借りて戦略的に取引をしようと思います.## 強化学習とは
ある環境において,自律エージェントが状況を観測しながら行動することを繰り返し試行し,目的を達成するための最適な意思決定を学習する,機械学習の方法.
教師あり学習とは違い,環境から得られる報酬を元に,行動の良し悪しを評価する.
![file](https://hamaruki.com/wp-content/uploads/2022/08/image-1661069593862.png)
## OpenAI Gym
人工知能を研究する非営利企業 OpenAIが作った,強化学習のシミュレーション用プラットフォームです.
https://github.com/openai/gym
OpenAI Gymの中の1つにAnyTradingというものがあります.
AnyTradingは,FXや株式のトレーディングアルゴリズムを試すための強化学習環境です.## AIncomeプロジェクト
A
【祝!!無限増殖】寝てる間に話題のStable Diffusionが無限に動く仕組みを作ってみた
こんにちは! Stable Diffusionネタです!
# サマリ
* 画像自動生成とテキスト自動生成を組み合わせて、勝手に無限に画像を作る仕組みを作ってみました。
* 結果
* 昨日からずっと画像が増殖を続けています。具体的にはこんな感じ。
* ![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/18761/96fbb908-faca-7f1e-507f-e47069945626.png)# stable Diffusionとは
* いい感じにテキストから画像を作ってくれるもので、最近モデルが公開されていて界隈で話題のものです。
引用: https://gigazine.net/news/20220824-stable-diffusion-google-colabo
機械学習用の環境を0から構築した(windows11 + VSCode + venv + Tensorflow + GPU)
新しいPCを買ったので最新の環境で構築してみました。
[3年ほど前](https://qiita.com/pocokhc/items/08d3fb3ef0b6fa427528)にも書いていますが、細かい部分が変わっていたりリンク切れ等があったので改めて書いています。# 1. Pythonのインストール
公式より入れたいバージョンをダウンロードし、インストールします。
今回は3.10と3.7を入れてみました。
バージョン管理はwindowsなら標準ではいってくる py(Pythonランチャー)と venv で行います。
コマンドプロンプトから `py –list-paths` で入ってるPythonを確認できます。“` sh
C:\Users\poco>py –list-paths
Installed Pythons found by py Launcher for Windows
-3.10-64 C:\Users\poco\AppData\Local\Programs\Pyth
敗北の味を知った
校内でプログラミングコンテストがありました。
12位以上を上位者とし、彼らは本戦に進めるようです。
が、私は見事に予選敗退です。1年後に向けてめちゃめちゃPythonします。以上です。ありがとうございます^_^
【OpenCV+matplotlib】ベクトル場をカラーマップで良い感じに表示する方法
# 概要
ベクトル場の角度と大きさをカラーマップで表示したい場合がある。そんなときに便利なのがmatplotlibの[quiver](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.quiver.html)であるが、実はOpenCVのHSV空間を組み合わせるとベクトル場の角度と大きさを一目で見やすく表示できる。
本記事は筆者が個人的に見やすいと思うベクトル場の表示方法について紹介する。# 実装
Google Colabで作成した本記事のコードは、[こちら](https://colab.research.google.com/drive/1LnefJUevYH2sP9IlS5hqcaQdkc0l9ZtU?usp=sharing)にあります。
## 各種インポート
“`Python:各種インポート
import cv2
import matplotlib.pyplot as plt
import numpy as np
“`
実行時の各種バージョン| Name | Version |
|:-:|:-:|
|
【自己組織化マップ】類は友を呼ぶ
# 初めに
自己組織化マップのイメージは、まさに**類は友を呼ぶ**ということわざのイメージがしてならない
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2696103/65fa9d6c-ef1f-743f-d7e8-e503d9096fc1.png)(出典:デジタル大辞泉(小学館))2009年に私がこの手法に出会い、多次元情報を可視化できる点で感動した記憶がある
今回は今一度、理解を深めるために自己組織化マップについて記事にしようと思う# フロー図
自己組織化マップの簡単なフロー図は下図の通り
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2696103/ede41680-63ac-7a36-97d7-ca061c3fbe0e.png)# イメージ図
フロー図では分かり難いと思うので、イメージ図を描いてみる。
![image.png](https://qiita-image
【Selenium × Python】excepted_conditionsの条件を整理した
Seleniumでテスト自動化を行う際、待機処理や検証で拡張モジュールのexcepted_conditionsをよく用います。
ただ、どんな条件があるかは把握していなかったので、今回[Github](https://github.com/SeleniumHQ/selenium/blob/trunk/py/selenium/webdriver/support/expected_conditions.py)のページを参考に整理しました。### 注意事項
– この情報は2022年8月時点のものです。
– また、以下の内容には誤りが含まれる可能性があります。
– 正しくは、[Githubページ](https://github.com/SeleniumHQ/selenium/blob/trunk/py/selenium/webdriver/support/expected_conditions.py)を参照してください。## excepted_conditionsの一覧
|No.|条件|返り値|
|:–:|:–|:–:|
||タイトルに着目した条件||
|1|[title_
TorchvisionのCelebAデータセットについて
# 概要
218*178のカラーの顔画像202599枚
![k_testoriginal.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2815034/88d7f632-9667-def1-e105-b4b2bf29d0b5.png)## 引数
torchvision.datasets.CelebA(root: str, split: str = ‘train’, target_type: Union[List[str], str] = ‘attr’, transform: Optional[Callable] = None, target_transform: Optional[Callable] = None, download: bool = False)
– root:ダウンロードデータを入れるディレクトリ
– split:[train:162770 test:19962 valid:19867 all:202599]から選択
– target_type:[attr, identity
SPSS Modelerの回帰モデル評価のための精度分析ノードを、pythonに書き換える
SPSS Modelerの回帰モデル評価のための精度分析ノードをPythonのscikit-learnとstatsmodelsで書き換えてみます。
以下の記事でModelerでの使い方は解説していますので、この内容をscikitlearnとstatsmodelsで行ってみます。
SPSS Modeler ノードリファレンス 6-4b 精度分析:回帰 – Qiita
https://qiita.com/kawada2017/items/bc543f0f1bb401854c0e
pythonで線形回帰のモデルをつくるにはscikit-learnとstatsmodelsの二つのパッケージがありました。
それぞれで作ってみたいと思います。# 1m.全データに基づく回帰モデルの精度分析 Modeler
[Modelerのノードリファレンスの記事](https://qiita.com/kawada2017/items/bc543f0f1bb401854c0e)では学習データとテストデータを分けていますが、pythonとの比較を容易にするためにまずは全データで回帰モデルをつくります
python asyncio
“`
# asyncio.get_event_loop().run_until_complete(
# shutterController(WEBSOCKET_SERVER_URL,0))
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
loop.run_until_complete(
shutterController(WEBSOCKET_SERVER_URL,0))
“`
Stable Diffusion導入で変なところでつまづいた人用
# ModuleNotFoundError: No module named ‘ldm’というエラーが出る。
“`
pip install -e .
“`
を実行していない可能性が高い。
# ModuleNotFoundError: No module named ‘taming’というエラーが出る。
\stable-diffusion\src\taming-transformers\tamig フォルダを\stable-diffusion フォルダまでコピーする。
# ModuleNotFoundError: No module named ‘clip’というエラーが出る。
\stable-diffusion\src\clip フォルダを\stable-diffusion フォルダにコピーする。
# img2img(画像を描き直してもらうやつ)が実行できない。フォーク版を使っている場合。
フォーク版はtxt2imgと同じくコマンドが違う。
“`
python optimizedSD/optimized_img2img.py –prompt “Austrian alps” —
FastAPI with Lambda + API Gatewayでサーバレスアプリケーションの作成
![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/556658/6ec16fbf-ad49-b975-cf6a-642ab0476747.png)
## はじめに
株式会社マイスター・ギルド新規事業部のヒツジーです。
弊社新規事業部では、新規サービスの立ち上げを目指して
日々、アイディアの検証やプロトタイプの作成などを行っています!技術の進歩は目覚ましいので、置いてかれないように新しい技術のキャッチアップにもいそしんでいます!
本記事では、FastAPI with Lambda + API Gatewayでサーバレスアプリケーションを作成する方法をご紹介します。
サーバレスアプリケーションには
– サーバーの管理が不要
– 使った分だけの支払いで済む
– 柔軟なスケーラビリティといったメリットがあり、新規サービスのプロトタイプ作成に向いていると思います。
本記事の手順通りに手を動かすと、さくっとREST APIを作れるようになりますよ!
## やりたいこと
FastAPIで作成
Google DriveからGoogle Cloud Storageにファイルをコピーする(Python編)
以前、Google DriveからGoogle Cloud Storageにファイルをコピーする方法[^1]を紹介しました。当該記事はNode.js向けの内容だったのですが、Python向けに対応できたのでその方法を紹介いたします。
## この手法のメリット・デメリット
### メリット
– データ送受信のチャンクサイズにもよるものの、メモリ使用量を抑えることができる
– コード上でのファイル生成が不要### デメリット
– ダウンロードとアップロードを交互に行うので、エラーハンドリング・デバッグが若干煩雑になる
– 途中で失敗してもGoogle Cloud Storage上にファイルができるので、後から削除が必要になる## 前提
– コードの実況環境は Google Cloud Function(第一世代)/Pythonとする## 事前準備
– GCPプロジェクトの「APIとライブラリ」でGoogle Drive APIとCloud Storageが使えるように設定しておく
– ローカル開発時、GCPの認証を通せるように設定しておく(