- 1. uWSGIをインストールして動かす(Windows)
- 2. DataFrame型?Datatable型と違うの?と指定範囲のデータ取得を練習します。
- 3. 【python】勉強メモ 速習Flask②
- 4. 同一 PC 内で Azure CLI の複数バージョンを利用するアイデア
- 5. AreYouHara – お前はハラなの?顔画像から判定してやるよぉ!!!【プレゼント企画あり】
- 6. 顔写真からアニメーション作成 〜Thin-Plate Spline Motion Model for Image Animation〜
- 7. RESTCONFとかChatOpsでIOS-XEを設定するのってなんかかっこいいよね。
- 8. 試行回数を増やすための具体的な処方箋 for 2023
- 9. 【物体検出2022】BoT-SORTを使ってYOLOv7のモデルで物体追跡(MOT)を実装する
- 10. Jupyter上でイジングモデルのアニメーション
- 11. TorchScriptモデルをオーディオプラグインに組み込む
- 12. 重回帰分析における多重共線性について
- 13. AIでイラスト生成してみた
- 14. Stable Diffusionがロールシャッハテストでクリスマスカードを作ってくれる記事
- 15. YOLOv7やーる(Python3.9、Windows10)
- 16. Blenderでの3灯照明をざっくり簡略化する
- 17. LambdaでCognitoユーザプールのSub情報からCognitoのユーザを削除する
- 18. WKWebView からPythonista3 でJavaScript とお戯れあそばせ
- 19. discord botであみだくじを作ってみたい
- 20. TensorFlowを用いた画像分類
uWSGIをインストールして動かす(Windows)
## 概要
みなさんもご存知でしょうが… WebサーバーであるnginxはWindowsPCにもインストールができます。
でも、アプリケーションサーバーがないんですよねぇ… なので燃えてしまった! そして動いた。 そして動いてしまえば後で考えると案外簡単だった! の記録です。### ポイント
* Python+Flaskで書いたWebAPIを、手元のWindowsPCで稼働させたい
* Webサーバーはnginxを想定しているが、nginx unit はWindowPCでは動かせそうにない
* uWSGIもWindowsプラットフォーム用のバイナリは無いが、cygwin上でコンパイルできる
* コンパイルできたuWSGIのWindowsサービス化も簡単## 背景
**知らなかったのです。Windows10でIISを稼働させることができるなんて!**IISを稼働させるには、Windowsのサーバー用のOSが必須なんだと思っていました。
しかし今は、Windows10などのサーバー用のOSでなくても、Webサーバーを建てたりすることができるんですね!? Microsoftが提
DataFrame型?Datatable型と違うの?と指定範囲のデータ取得を練習します。
## はじめに
・この記事は、「Python Advent Calendar 2022」の24日目の記事です。
https://qiita.com/advent-calendar/2022/python・この記事の情報は2022/12時点のものです。
・今回使用するのは「Google Colaboratory」です。
## 今回は
筆者は普段RPAツール(UiPath)を使った業務支援を中心に要件定義等も行っています。
ただ、Pythonの実績は自己学習の範囲内にとどまっています。UiPathでは、Excelからデータを取得&格納するときに「Datatable型」を使います。
PythonでもDatatable型に相当するものはあるのでしょうか。
ちょっと調査してみましょう。## PythonでExcelを読み込むと…
(事前にPandasをインストールするようにしましょう)
PythonでExcelを読み込むと、以下の様に表形式でデータが出力されます。
![image.png](https://qiita-image-store.s3.ap-northeast
【python】勉強メモ 速習Flask②
## 1. はじめに
今回は、**SQLite**を使い投稿したデーターをDBに保存するところまで行いたいと思います。## 2. 全体の流れ
1.事前準備(SQLite3のインストール)
2.共通化
3.投稿内容のDB登録(今回のメイン)
4.DB登録処理(今回のメイン)### 1. 事前準備 SQLite3のインストール
1. [SQLite3 ダウンロードページ](https://www.sqlite.org/download.html)へ移動。2. 「Precompiled Binaries for Windows」まで移動し、
「sqlite-tools-win32-x86-3360000.zip」をダウンロード
![SQL-1.PNG](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/3014502/e031d10e-4d40-6ac9-bd36-b7dab17d1ee6.png)3. ダウンロードしたら、任意の場所でZIPファイルを解凍。
4. 解凍すると、sqldiff.exe
同一 PC 内で Azure CLI の複数バージョンを利用するアイデア
## 背景と目的
Azure CLI をバージョンアップしていくと、昔書いた Azure CLI のコードが動かなくなるケースがあります。これは、Azure CLI のリリースノートで「破壊的変更」と書かれたコマンドがあり、そのバージョンからは以前の仕様で動作しなくなる事を意味します。ところが、Azure CLI は同一 PC 内に複数のバージョンをインストールする事ができません。しかしながら、少しの工夫で異なるバージョンの Azure CLI を実行する事が可能なので実際やってみました。
## Python を使って複数バージョンの Azure CLI をインストール&実行
“`bash:bash
$ python3 –version
Python 3.10.8$ python3 -m venv azcli236
$ . azcli236/bin/activate
$ pip install azure-cli==2.36.0
$ az version
{
“azure-cli”: “2.36.0”,
“azure-cli-core”: “2.36.0”,
AreYouHara – お前はハラなの?顔画像から判定してやるよぉ!!!【プレゼント企画あり】
どうもこんにちは、ハラです。
世界には2種類の人が存在します。そう、**ハラかハラ以外か**。
そこでハラかどうか判定するWebアプリを作りました。
![hara.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2840684/7f42ee9c-7519-50bc-2fd8-8b4a7964171d.png):::note info
最後にはプレゼント企画もあるのでぜひ最後まで見ていってください。
:::# どんなアプリか
アプリはこちらから遊べます。
※アップロードした画像はサーバーに保存していないので安心して遊んでください!https://areyouhara.streamlit.app/
アプリはいたってシンプルです。顔の画像をアップロードするとハラかハラじゃないのか判定してくれます。
まずは笑顔のハラ画像を入力してみましょう。んー、いい笑顔。
![スクリーンショット 2022-12-19 0.41.19.png](https://qiita-image-store.s3.ap-n
顔写真からアニメーション作成 〜Thin-Plate Spline Motion Model for Image Animation〜
# はじめに
2022年3月に発表された画像アニメーション用のスプラインモーションモデルである「Thin-Plate Spline Motion Model for Image Animation」を紹介します。
顔写真から話す顔、人体、ピクセルアニメーションなどのアニメーション化を試してみましょう。
Google colabを使用して簡単に実装することができますので、ぜひ最後までご覧ください。(詳細)
https://tt-tsukumochi.com/archives/1968
# Thin-Plate Spline Motion Model forとは
Thin-Plate Spline Motion Model for Image Animationは2022年3月に発表された画像アニメーション用のスプラインモーションモデルです。
下記のように上段の入力画像と左端の動画を合成して出力します。![vox-300×86.gif](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/1559455/c
RESTCONFとかChatOpsでIOS-XEを設定するのってなんかかっこいいよね。
# はじめに
この記事はシスコシステムズ合同会社の社員有志による「[Cisco Systems Japan Advent Calendar 2022](https://qiita.com/advent-calendar/2022/cisco)」の 2枚目の 24日目 として投稿しています。過去のカレンダーはこちらから
|| [2021年-1枚目](https://qiita.com/advent-calendar/2021/cisco) / [2021年-2枚目](https://qiita.com/advent-calendar/2021/cisco2) || [2020年-1枚目](https://qiita.com/advent-calendar/2020/cisco) / [2020年-2枚目](https://qiita.com/advent-calendar/2020/cisco2) || [2019年](https://qiita.com/advent-calendar/2019/cisco) || [2018年](https://qiita.com/advent-c
試行回数を増やすための具体的な処方箋 for 2023
こんにちは。
クリスマスイブですね。気づけばもうすぐ年の瀬ということで、今年一年頑張った研究活動の棚卸しの一環として、試行回数を増やすための具体的な方法論についてまとめていこうと思います。
この記事は機械学習アドベントカレンダー24日の記事です。
# 研究における試行回数を増やし無駄を減らす重要性
こちらの資料の冒頭で紹介されているように、研究で結果を出すためには、試行回数を増やす必要があります。
そして試行回数は
試行回数 = 手持ちの時間 / 1回の試行にかける時間
で定義されるとも書かれており、上記の資料は手持ちの時間は不変だから、1回の試行にかける時間を減らそうという発想の元、その減らし方について紹介されています。
しかし、実際には
試行回数 = (手持ちの時間 – 試行以外に掛けた時間) / 1回の施行にかける時間
ではないでしょうか?
この試行以外に掛けた時間というのは例えば
【物体検出2022】BoT-SORTを使ってYOLOv7のモデルで物体追跡(MOT)を実装する
# はじめに
物体検出でお馴染みのYOLOシリーズの最新版「YOLOv7」について、動かしながら試していきます。
YOLOv7は2022年7月に公開された最新バージョンであり、速度と精度の面で限界を押し広げています。
今回の記事では、YOLOv7とBoT-SORTによる物体追跡(MOT)の実装方法を紹介します。
Google colabで簡単に最新の物体検出モデルを実装することができますので、ぜひ最後までご覧ください。(詳細)
https://tt-tsukumochi.com/archives/5582
# YOLOv7とは
YOLOv7は2022年7月に公開された最新バージョンであり、5FPSから160FPSの範囲で速度と精度の両方ですべての既知のオブジェクト検出器を上回り、速度と精度の面で限界を押し広げています。
これまでのYOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、 DETR、Deformable DETR、DINO-5scale-R50、ViT-Adapter-Bなどと比較しても速度と精度における他の多くのオブジェクト検出器を上回る結果を出して
Jupyter上でイジングモデルのアニメーション
この記事は[NTTコムウェア Advent Calendar 2022](https://qiita.com/advent-calendar/2022/nttcomware) 24日目の記事です。
NTTコムウェアの古西です。
Jupyter上で2次元イジングモデルのアニメーションを動かしてみます。また、ほんの少しだけ物理的考察を行います。
– [x] きっかけ
– [x] イジングモデルとは?
– [x] マルコフ連鎖モンテカルロ法とは?
– [x] 2次元イジングモデルのシミュレーション
– [x] 参考文献
### きっかけ
オライリー・ジャパンの[実践 時系列解析](https://www.oreilly.co.jp/books/9784873119601/)という本に、物理シミュレーションの例として、2次元イジングモデルのシミュレーションが載っています。Pythonのサンプルコードが載っているのですが、そのまま動かすと初期状態と終状態の画像のみしか表示されないため、どうせなら途中の状態をアニメーションとして表示させたい、と思ったことがきっかけです。
この本のサンプル
TorchScriptモデルをオーディオプラグインに組み込む
# TL;DR
TorchScriptモデルをオーディオプラグイン(VST3)に組み込みます。今回はローパスフィルターを実行するだけのTorchScriptモデルを作成してみます。深層学習フレームワークであるPyTorchを使用していますが、最早AI関係無くなっている点はご了承ください。# 検証環境
Windows 10 Home# TorchScriptモデル
学習はPythonを使うけど、推論はPythonに依存しない環境で行いたいというケースがあります。TorchScriptモデルはC++で実装したアプリケーションに組み込むことが出来ます。Pythonプロセスを使用しないため、Global Interpreter Lockの制約を受けない等のメリットがあります。https://pytorch.org/docs/stable/jit.html
## ローパスフィルター
今回は5000Hz付近で高周波を遮断するようなローパスフィルターを作成します。今回はscipyでフィルタの係数を取得します。フィルタの種類はたくさんありますが今回はタップ数51の最小二乗フィルタを採用
重回帰分析における多重共線性について
IPFactory Advent Calender 2022 24日目の記事です。
https://qiita.com/advent-calendar/2022/ipfactory
## 重回帰分析
重回帰分析とは機械学習モデルを作成する際の説明変数(特徴量)が二つ以上存在する回帰分析を意味します。
また、説明変数が一つである回帰分析を単回帰分析と呼びます。
## 多重共線性
多重共線性とは[重回帰分析](https://www.albert2005.co.jp/knowledge/statistics_analysis/multivariate_analysis/multiple_regression)の際の[説明変数](https://www.albert2005.co.jp/knowledge/statistics_analysis/multivariate_analysis/multivariate_method#:~:text=%E5%8E%9F%E5%9B%A0%E5%81%B4%E
AIでイラスト生成してみた
本記事はCraft Egg Advent Calendar 2022の12/24の記事です。
12/23の記事は@bikitaroさんの「ChatGPTに任せちゃおう」でした。
# はじめに
メリークリスマス! @tsune_ceです。
![christmas.jpeg](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/392109/8ba1cb13-27fc-f7b7-ade6-03c2d7fe5e7d.jpeg)
最近話題になっているAIを利用した画像生成を試したく色々調べてみました。
画像生成のAIは色々リリースされており、それぞれ調べてみました。| 画像生成AI | 説明 |
| — | — |
| Stable Diffusion | ディープラーニングでテキストから画像を生成するモデル。オープンソースでありライセンスを明記することで営利・非営利問わずに使用できるとされています。 |
| Waifu Diffusion | Stable Diffusionをファインチューニングしたオープンソースの
Stable Diffusionがロールシャッハテストでクリスマスカードを作ってくれる記事
こんにちは。EngineerでもDesignerでもない野生のKDDI社員です。
この記事は、[KDDI Engineer&Designer Advent Calendar 2022](https://qiita.com/advent-calendar/2022/engineer-designer)の24日目の記事になります。
メリークリスマスイブ!# この記事の経緯
この記事は、最近技術的な業務が回ってこなくて拗ねていた僕が、
KDDI Advent Calendar 2022にお招きされて舞い上がった結果、
ロールシャッハテストがクリスマスカードにしか見えなくなった為に、
StableDiffutionに具現化させた。という記事になります。# ロールシャッハテストとは
インクの染みが何に見えますかー?っていう人格診断のあれです。
はい。
YOLOv7やーる(Python3.9、Windows10)https://github.com/WongKinYiu/yolov7
– Windows10 PC
– Python3.9yolov7.ptをダウンロード
python detect.py –weights yolov7.pt –conf 0.25 –img-size 640 –source yourvideo.mp4
python detect.py –weights yolov7.pt –conf 0.25 –img-size 640 –source inference/images/horses.jpg
cpuだと行けた
waitKey(0)
python detect.py –weights yolov7.pt –conf 0.25 –img-size 640 –source inference/images/horses.jpg –view-img –device cpu結果はここに入る
yolov7-main\runs\detect\exp*
![horses.jpg](https://qiita-image-store
Blenderでの3灯照明をざっくり簡略化する
## この記事の概要
私はBlenderを使って3DCGの練習をしています。
3DCGってモデリングに目が行きがちですが、ライティングも大事で、その中でも3灯照明は王道のセッティングなのでだいたい毎回使用しています。そんな中、毎回繰り返し作業が発生していたのでPythonで効率化できる気がして記事にしました。
:::note
もしかしたら役立つかもしれないけど、正直そこまで期待はできない。くらいの内容です。
:::## 3灯照明とは
あえて私が説明するまでもなく、世の中に分かりやすい記事がたくさん上がっているので詳細な説明はそちらにお任せします。
https://indieemotion.com/3point-lighting/
今回効率化できる気がしたのが、設定が以下のように意外とシステマチックにできるからです。
それぞれの角度が90度ずつくらい違って3灯を配置するので、計算で出せそうだなと思いました。![](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/214677/d97452ca-4
LambdaでCognitoユーザプールのSub情報からCognitoのユーザを削除する
# 概要
Lambdaでsub情報からCognitoのユーザーを削除する方法を紹介します。# 環境
– ランタイム:Python3.9
– リージョン:ap-northeast-1# Lambda関数
“`Python
import boto3cognito = boto3.client(‘cognito-idp’, region_name=’ap-northeast-1′)
user_pool_id = <ユーザープールのID>def get_cognito_user_name(sub):
response = cognito.list_users(
UserPoolId=user_pool_id,
Filter=’sub = “‘ + sub + ‘”‘
)user_name = response[“Users”][0][‘Username’]
return user_name
def delete_cognito_user(user_name):
r
WKWebView からPythonista3 でJavaScript とお戯れあそばせ
この記事は、[Pythonista3 Advent Calendar 2022](https://qiita.com/advent-calendar/2022/pythonista3) の24日目の記事です。
https://qiita.com/advent-calendar/2022/pythonista3
一方的な偏った目線で、Pythonista3 を紹介していきます。
ほぼ毎日iPhone(Pythonista3)で、コーディングをしている者です。よろしくお願いします。
以下、私の2022年12月時点の環境です。
“`sysInfo.log
— SYSTEM INFORMATION —
* Pythonista 3.3 (330025), Default interpreter 3.6.1
* iOS 16.1.1, model iPhone12,1, resolution (portrait) 828.0 x 1792.0 @ 2.0
“`他の環境(iPad や端末の種類、iOS のバージョン違い)では、意図としない挙動(エラーになる)なる場合もあり
discord botであみだくじを作ってみたい
# 初めに
– WSL, Ubuntu22.04.1
– Python 3.10.6
– discord.py 2.1.0という環境で行っています.
# 作る
## あみだくじ
まずは,あみだくじをしてくれるプログラムを作りましょう.以下をちょっと見て作ってみました.
– [CodeIQ本[Q57:あみだくじの問題]についてのメモ](https://kanatoko.wordpress.com/2017/12/24/codeiq%E6%9C%ACq57%E3%81%82%E3%81%BF%E3%81%A0%E3%81%8F%E3%81%98%E3%81%AE%E5%95%8F%E9%A1%8C%E3%81%AB%E3%81%A4%E3%81%84%E3%81%A6%E3%81%AE%E3%83%A1%E3%83%A2/)
– [Pythonプログラミング(ステップ8・関数・あみだくじ)](https://wagtail.cds.tohoku.ac.jp/coda/python/p-8-function-part1-amida.html)
– [python
TensorFlowを用いた画像分類
# はじめに
この記事では、TensorFlowを用いて画像分類する方法を説明します。[こちら](https://www.kaggle.com/datasets/hasibalmuzdadid/shoe-vs-sandal-vs-boot-dataset-15k-images)のデータを利用して、ブーツ、サンダル、靴の画像分類を行います。なお、本記事ではGoogle Colaboratoryを使用することを前提にしています。# ファイルのアップロードと解凍
[こちら](https://www.kaggle.com/datasets/hasibalmuzdadid/shoe-vs-sandal-vs-boot-dataset-15k-images)のデータをダウンロードできたら、Google Colaboratoryにアップロードします。(下記の写真を参考にして下さい。)
![1.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/1543066/9493009b-9ef1-9a5c-9d43-3a683b