はてなブックマーク

ALEとは https://github.com/w0rp/ale Asynchronous Lint Engine (ALE) という名の通り、Vim/NeoVim用の非同期Lintエンジンです。VimのLintエンジンといえばSyntasticがよく知られているのではないかと思いますが、Syntasticは同期的にLintを行うのでLint中はカーソル移動や編集などができません。ALEは非同期でLintを行うのでLint中もカーソル移動や編集ができるので、Lintをかけるたびに一定時間待たなければいけないという問題を回避できます。 ソースコードのLint ALEのデフォルトのままでも開いているファイルのファイルタイプで使えるLinterが入ってさえいれば特に設定せずにLintが走ります。デフォルトでLintが走るタイミングは。 ファイルを開いたとき ファイルを保存したとき テキストが変

みなさん、ティープラーニングで (株価|為替) やってますでしょうか？私は先月は今まで書いていなかったテストを書き、今月は他の出費が多すぎて GPU を回す余裕が無いため進捗はほぼありません本当にありがとうございました。 さて今回はディープラーニングでの株価予測についてです。ディープラーニングで株価を予測しようとする際に真っ先に思いつくモデルが LSTM です。LSTM は時系列データの処理に向いており、なんと偶然にも株価データも時系列データなのでこれを使えば上手く株価を予測できるのではないかと思うのは当然といえば当然です。しかし、実際やってみると上手く行かないことがほとんどだと思います。そこで、上手く行かないパターンのうちの 1 つを考察していきます。 使用するデータ http://k-db.com/indices/I101 の日経平均株価 2007 年 〜 2017 年の日足データを使

このブログはHugoというStatic Site Generatorで生成しています。おおむね不満はないのですが、最近Jupyter NotebookをHugoのコンテンツとして扱いたいという欲求が出てきました。 ざっと調べたところ、HugoでJupyter Notebookを表示するにはjupyter nbconvertを使う方法が一般的なようです。1 これでJupyter NotebookがMarkdownに変換されます。これをコピペすれば目的を達成できます。ですが、いちいちMarkdownに変換してコピペするのは面倒ですし、hugo server -wなどでリアルタイムプレビューできないのも不便です。 HugoはHTMLもコンテンツとして扱えますが、それでもjupyter nbconvertで変換する必要があるため.ipynbファイルと2重管理になっていまいます。 「そうじゃない、私

Deep Learning ブームの中皆様いかがお過ごしでしょうか。以前 機械学習で為替予測 Deep Learning 編 に書いたように私は Deep Learning で為替予測をやってるんですが、計算リソースとして AWS を使っています。何故 AWS を選んだのかというと、コストパフォーマンスが良いからです。 概算 まずベースラインとなるマシンを設定します。そうですね、ここでは NVIDIA GeForce GTX 1080 Ti と 32 GB メモリを積んだ自作マシンを想定しましょう。自作とかパーツ関連には疎いので、どっかで 20 万ぐらいで組めたみたいなのを見たので 20 万としましょう。 AWS EC2 での GPU インスタンスは p2 と g2 ですが、ここでは p2 を想定します。g2 は CUDA のドライバが面倒なことになったので p2 のほうがいいです。 値段

今回は Golang 用の URL ルーターである Denco の技術解説をしていきます。 その前にひとつ、お知らせがあります。Denco はこのたび URL ルーターから URL ルーター兼 HTTP request multiplexer となりました。つまり、http.ServeMux の代わりとして使えるようになりました。 詳しくは README を参照してください。 基本戦略 まず始めに、Denco のルーティングは静的パス（/user/alice みたいなの）とパラメーター付きパス（/user/:name みたいなの）で使用するアルゴリズムを変えています。 静的パスの場合は Go の map を使い、パラメーター付きパスの場合はパラメーターを扱えるように拡張したダブル配列を使います。これは、静的パスの場合、ダブル配列で処理するより Go の map を使ったほうが速いからです。

Python のコードチェッカーはいくつかありますが、私は設定無しで実用になる pyflakes を使っていました。 しかし、最近 Django を使っていて settings.py を production や development に分ける際に のように書いているのですが、これだと pyflakes では 'from plog.settings.base import *' used; unable to detect undefined names と言われてしまいます。これを出ないようにしようとしても、 pyflakes にはエラーや警告を制御するような機能がありません。 そこで pyflakes の代替として flake8 を使うことにしました。 flake8 は pyflakes と pep8 のラッパーですが、いくつか機能が追加されたものです。 flake8 では前述の p

最近このブログに全文検索を付けるべく pyroonga の開発を再開しました、どうも私です。 さて、開発用リポジトリに GitHub をお使いの方は Travis-CI を使っておられるかと思います。 pyroonga でも Travis-CI を使おうと思ったのですがそのままでは動かなかったので四苦八苦しながら動かしました。 最終的な .travis.yml は https://github.com/naoina/pyroonga/blob/develop/.travis.yml ですが、これに至るまでにハマったところを書いていきます。 Travis-CI ではランタイムのバージョンを複数指定しても同じVM上で並列にテストが走る 初めにハマったのがこれです。Travis-CI を使うときは のように複数バージョンを指定することがありますが、これらは同じ Travis-CI の VM 上で

既存の ORM はその ORM 独自の記法なりメソッド（Find とか Save とか）がどういう SQL 相当のものなのかを覚える必要がある。 また、各 ORM ごとにそれが異なるため潰しが効かない。だけど gorp のように SQL を文字列で書きたいわけじゃない。 ということで作った。 Genmai https://github.com/naoina/genmai ORM というよりはクエリビルダーに近いので、SQL に耐性のない者は死ぬ。 使い方 まずテーブルを定義して package main import ( "fmt" _ "github.com/mattn/go-sqlite3" "github.com/naoina/genmai" ) type User struct { Id int64 `db:"pk"` Name string `default:""` } db,

所感 キーボードの押下圧が軽いので良い 2 in 1 なのでタブレット形状にもなるが、タブレットとして使うには重い。 USB や電源など全ての差し込み口が固いので片側を押さえながら入れないと筐体が動く 電源ボタンも固いので以下同上 ペンでしかクリック（タップ？）できないのにペンをマウントするところが無い Arch Linux での現状 動く キーボード 内臓カメラ Touchpad（ただしポインタデバイスとしてのみ） Touchscreen（筆圧感知はテストしてない） 動かない Touchpad が Touchpad として認識されない つまり二本指でのスクロールができないゴミと化す Lenovo Yoga 3 でも同じっぽい Suspend から帰ってこない 黒い画面のまんま backlight が暗いだけではない Hibernate から帰ってきたら Xorg の画面描画がおかしい d