Lambdaにコンテナ形式でデプロイしてみた - DENET 技術ブログ
Zip形式の場合、デプロイサイズが50MBに制限されますが、コンテナー形式では10GBまでサポートされるため、依存関係の多いパッケージ等をそのままでデプロイすることが可能になります。 以下のような形で開発者がコードを作成し、コンテナイメージを作成後、ECRにアップロードし、AWS LambdaはECRにアップロードされたコンテナイメージをロードし、実行する形となります。 それでは、実際にコードを準備し、コンテナイメージを作成 ～ 実行までやってみます。 前提条件 AWS CLI IAMユーザをセットアップ済みであること。 AWS CLI認証情報を設定済みであること。 python-lambda-localインストール済みであること。 dockerがインストール済みであること。 プロジェクト作成 docker関連やLambda実行用プログラムなどをまとめたいので任意のディレクトリに好きな名前
コンテナイメージ版AWS Lambda関数をCloudFormationでデプロイしてみた | DevelopersIO
デプロイをCloudFormationテンプレート(IaC)化すると、デプロイパイプラインにスムーズに組み込むことができます。 今回は、コンテナイメージ版LambdaをCloudFormationでデプロイする方法を紹介します。 コンテナLambdaをデプロイするCloudFormation テンプレート コンテナLambda(非VPC版)をデプロイするには、次のテンプレートを利用します。 AWSTemplateFormatVersion: '2010-09-09' Parameters: EcrImageUri: Description: ECR image URI Type: String Resources: LambdaFunc: Type: AWS::Lambda::Function Properties: Role: Fn::GetAtt: - LambdaRole - Arn
VSCode + DockerでAtCoderのテスト・提出ができる環境構築【Python,PyPy】 - Qiita
VSCode + DockerでAtCoderのテスト・提出ができる環境構築【Python,PyPy】PythonAtCoderDockerPython3競技プログラミング はじめに 私は2022年9月からAtCoderを始めて、今までサイト内にあるコードテストを使ってPython・PyPy3で問題を解いていました。 しかし、サンプルのテスト・提出をするのに毎度コピー＆ペーストするのが煩わしくコマンド一つで完結させたいのと、ローカル環境下に色々インストールすると今後依存関係等で大変になるかと思い、VSCode + Dockerを使って簡単にテスト・提出ができる環境構築を行いました。 環境はWindows10を使用しています。 準備 以下のものがインストールされていない場合は事前に準備をしておきます。 細かいインストール手順等は今回のメインではないため割愛させていただきます。 VSCode
ゲームの強化学習ハンズオン -- OpenAI GymOpenAI gymで強化学習入門（機械学習名古屋第１5回勉強会） - Qiita
目次 強化学習とは 環境 解決方法 ハンズオン 強化学習とは 強化学習が扱う問題 変化する環境下で判断・行動し課題を解決する問題 エージェントが環境の状態を見て行動をし、その行動により環境の状態が更新される。望む状態を目指す。 問題の例 ゲーム 制御 広告 大抵の場合、リアルな環境かシミュレータで訓練をする。 強化学習の訓練方法 状態がどれくらい良いかを「報酬」として数値化して、より多くの報酬が得られるように訓練する。 例えば、 * 勝った → +1 * 負けた → -1 のように自分で決める。 環境 OpenAIのgymというライブラリが有名。 いくつかの問題・ゲームのシミュレーション環境 統一されてたインターフェースを持つ インターフェースが統一されていると、 自作の環境をgymの環境と同じように扱う拡張が可能 作ったモデルのコードが再利用できる（かも） gymの環境の例 倒立振子 下
機械学習を勉強するときはDockerを使うと便利 - あさのひとりごと
いまお仕事の関係で、機械学習の教科書的な書籍を読んだりオンライン講座を受講したりしながらサンプルやチュートリアルを動かして勉強しています。 機械学習を勉強するときは、Pythonの環境を構築し、JupyterNotebookを使って、実際に手と頭を動かしながら行うのが効率的です。が、アルゴリズムの理論そのものの理解がすでにしんどい上、過学習対策のための正則化、汎化性能の評価、クロスバリデーション、不均衡データや少ないデータはどうすればいいか、などなどいちいち難しいことを数多く勉強しなければなりません。 その上、、、、機械学習での学習は、1度やれば終わり！ではなく、パラメータチューニングしたり、データを増やしたり加工したりしながら、繰り返しなんども行う必要があります。一見ビジネス寄り＆アカデミックな雰囲気を醸し出していますが、実際のところは、非常に泥臭い作業のオンパレードです。 が、、、、、
悩める Web スクレイパーのための一冊 - 技術評論社『Python クローリング & スクレイピング』 - Witch on the Other Shore
このたび、縁あって『加藤耕太 (2016). Python クローリング & スクレイピング データ収集・解析のための実践開発ガイド, 技術評論社』(以下、本書) を恵贈賜りました。 著者並びに出版社の皆様にお礼とご慰労をかねまして、僭越ながら本エントリにて一読後のレビューを掲載いたします。 Pythonクローリング&スクレイピング -データ収集・解析のための実践開発ガイド- 作者: 加藤耕太出版社/メーカー: 技術評論社発売日: 2016/12/16メディア: 大型本この商品を含むブログを見る なお読者の益となるようなるべく公正な目線でレビューします。掲載されているコードの厳密な正確性については本レビューの対象外とします。 総評 体系的に「スクレイピングとは」「クローラーとは」について学ぶにはとてもよい書籍です。本書の優れているところは、特に基礎編ともいえる前半部分で、ある事柄を説明する
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://techfeed.io/recruitments/request-job?type=1&detail=backend&id=