はてなブックマーク

#if _DEBUG #pragma comment(lib, "opencv_world470d.lib") #else #pragma comment(lib, "opencv_world470.lib") #endif #include <torch/torch.h> #include <torch/script.h> #include <iostream> #include <thread> #include <memory> using namespace std; #include <opencv2/opencv.hpp> using namespace cv; #include "opencv2/highgui/highgui.hpp" //動画を表示する際に必要 constexpr int TIME_TO_SLEEP = 1000; int main(int argc, c

import pulp #最適化問題のインスタンスを作成します。 problem = pulp.LpProblem("MyOptimizationProblem", pulp.LpMinimize) #変数を作成します。変数は問題の中で最適化される値を表します。 x = pulp.LpVariable('x', lowBound=0) y = pulp.LpVariable('y', lowBound=0) #目的関数を定義します。目的関数は最小化または最大化したい式です。 problem += 2*x + 3*y #制約条件を追加します。 problem += x + y <= 10 problem += x - y >= 1 #最適化問題を解きます。 problem.solve() #解を取得します。 print("Optimization status:", pulp.LpStatu

Elastic Beanstalkとは Elastic Beanstalkは、アプリケーションのデプロイとスケーリングに関するインフラストラクチャの詳細な設定や管理について心配することなく、簡単かつ迅速にアプリケーションをデプロイできるサービス。これにより、Lambdaの15分制限や料金制限で、EC2へWebアプリをデプロイする必要になった際に、開発者は面倒な環境設定を気にせずにアプリをEC2へデプロイできる。 下記、公式リンク デプロイの流れ 料金 Elastic Beanstalk に対する追加料金はなく、アプリケーションが使用する基になる AWS リソースに対してのみ料金がかかる。 Elastic Beanstalkによる環境構築 Elastic Beanstalkコンソールを開きます。 「アプリケーションの作成」を選択します。 「アプリケーション名」に「getting-starte

# sklearn.linear_model.LinearRegression クラスを読み込み from sklearn import linear_model import pandas as pd import numpy as npy import matplotlib.pyplot as plt import numpy as np import requests import io clf = linear_model.LinearRegression() url = 'http://pythondatascience.plavox.info/wp-content/uploads/2016/07/winequality-red.csv' res = requests.get(url) df = pd.read_csv(io.BytesIO(res.content), sep="

普通にLambdaで関数を作成し、API GatewayでWepアプリ化しても、以下の制限により使い物にならない場合がある。 API Gatewayの最大タイムアウト30秒以内にレスポンスが無い場合(タイムアウトエラー) Lambdaの最大タイムアウト15分以内に処理が終わらない場合(タイムアウトエラー) 上記にのような問題を、複数のLambdaを並列で実行でき、非同期でレスポンスを返すStep Functionsを使えば解決できる。 1. IAMロールの作成 IAM コンソールでロール -> ロールの作成の順に選択する。 AWSサービスを選択し、他の AWS のサービスのユースケース:で、API Gatewayを選択し。次へを押す。 次へを押す。 任意のロール名(例:APIGatewayToStepFunctions)を入力する。 ロールを作成を選択する。 ロールのリストで、作成したロー

import os import openai openai.api_key = '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' start_sequence = "\nAI:" restart_sequence = "\nHuman: " response = openai.Completion.create( model="text-davinci-003", prompt="Human: おはよう", temperature=0.9, max_tokens=150, top_p=1, frequency_penalty=0, presence_penalty=0.6, stop=[" Human:", " AI:"] ) print(response['choices'][0]['text'].replace('\n', '

はじめに 回帰分析(フィッティング)の方法として、最小二乗法やカイ二乗検定、最尤法が一般的な方法としてあり、それらは損失関数を最小化/最大化することで、データに合うモデルパラメーターを決めている。ただ、パラメータが増えたり関数が複雑になると、最適な解を求めるには数値計算が難しくなり、近似的に解を求める必要がある。そのような近似解を求める方法の一つとして、今回はマルコフ連鎖モンテカルロ法を紹介する。 マルコフ連鎖モンテカルロ法(MCMC:Markov chain Monte Carlo methods) 事後分布を数値計算から求めることが困難な場合、事前分布と事後分布にマルコフ連鎖を仮定し、モンテカルロ法とベイズの定理により確率的に事後分布(次の状態)を計算し、近似値を探索する方法。 変分推論(VI:Variational Inference) 近似分布と事後分布のロス関数をKLダイバージェ