「Notion」という情報整理アプリの存在をつい三日前に知り、この二日間それにドハマりして無限に情報整理を続けていました。 www.notion.so 最高の情報整理ツールだと思います。 まだ自分はNotionにわかですが、本当に便利！と感じた使い方を、すでに何種類も発見したため、バシバシ共有して広めていきたいなと思いました。 ギャラリーがマジで便利 今回は、データベースのギャラリー機能を使った、ポートフォリオ作成がひたすら便利であることを説明します。 以下が、Notionで作ったギャラリーです。 ギャラリー機能(データベース) 個人的には、めちゃくちゃこの機能に満足で、自分の描いた絵を簡単に探せますし、なんかこう一望できていい感じです(語彙力の低下)。 特に、イラストレーターを目指したい方は、これのシェア機能を使えば簡単にWebに公開できると思うので、サクッとポートフォリオを作るのに役に

模写したほうWaifu Labsで作成したWaifu 今回はAIを使った絵（今回は特に顔）の練習方法を紹介します。 waifulabs.com ↑ のサイトにアクセス 「MEET YOUR DREAM WAIFU」を押す 出てきた女子を片っ端から模写する 何日かやってみて分かったこと やはり絵の練習は、意志力を使わず即座に始められるものこそ正義だと思います。 個人的には、練習中に判断能力を使わないものほど、続けやすいです。 また、この方法だと、資料を集める時間が不要なので効率的です。 資料を集めるレベルの練習をしたいときは収集の必要があると思いますが、簡単な顔の練習をしたい場合はこれでいいはずです。 練習に関しても、ほとんど顔に焦点を絞っているので、顔の練習に集中できます。 今の所気に入っている練習法は、横3200x縦320 の横長キャンバスを作成し、初期に出現する16枚の中から崩れすぎて

不確実性を考慮した予測が可能と噂の NGBoost の論文を読んでみたので、全体のながれをまとめて見ました。加えて自分でも NGBoost を実装して、その結果を載せています。 元の論文 NGBoost: Natural Gradient Boosting for Probabilistic Prediction はこちら https://arxiv.org/abs/1910.03225。 Introduction 一般的な教師あり学習を考えます。このとき予測モデルは入力データ $X$ に対して予測値 $y$ を出力するように学習していきますが、たいていのモデルではひとつのデータに対しては予測値はひとつしか得ることができません。 例えばウェブ上の行動履歴から、ユーザーの年齢を予測してください、という問題があったとすると、ユーザーの期待される年齢そのものを返すようなモデルがそれに当たります。

先日の世界コンピュータ将棋オンライン大会では、ねね将棋はAWSのスポットインスタンス上で将棋エンジンを動作させていました。スポットインスタンスはAWS上の余剰計算資源を安価に貸し出すような形態で、余剰が少なくなると強制的に終了されてしまう仮想マシンです。メリットは価格がオンデマンドインスタンス（強制終了されない通常の仮想マシン）と比べて1/3程度になることです。今回使用した8GPUのインスタンスはオンデマンドですと1時間当たり3000円を超えるため、金銭負担を軽減するためリスクを受け入れてスポットインスタンスを利用することにしました。幸い今回のイベントでは一度も強制終了されることはなくすべての対局を実施できました。一応強制終了されても対局を放棄しないようにローカルマシンに切り替える仕掛けとして使えるのがフェイルオーバーツールで、以前の記事で紹介しました。 select766.hatenab

2色々あって、個人である程度自由に使える東北きりたんDBを真似て男声歌声データベースを制作したので配布したいと思います！ 2020年9月2日更新 NNSVSに通るよう、ラベリングを大幅更新しましたのでBowlrollより再度ダウンロードをお願いします。 2020年10月10日更新 「キャラクター利用ガイドライン」と「出力音声に関する利用規約」を追加したことにより、関連部分の規約を大幅に更新しました データベースを利用したデモンストレーション データベース内の楽曲サンプル(生ボーカル) 【ゆるぼ】 AI東北きりたんの歌声データベースと同じ感じで男声の歌声データベース制作しました 機械学習用に使いたい方いらっしゃいますか〜？ ・スタイル：ポップス ・計50曲 ・モノフォンラベル、MIDI、MusicXML同梱済みの実質フルコンテキスト ・商業利用可能 ↓サンプル(魔王魂「枯れない花」) pic

この記事は移転しました。約3秒後に新記事へ移動します。移動しない場合はココをクリックしてください。

TensorRTは、NVIDIA社が提供している、Deep Neural Networkの推論を高速に行うライブラリです。NVIDIA社のGPU上での推論(学習済みモデルの実行)に特化しており、CaffeやPyTorchで学習したモデルを読み込んで実行計画を最適化したうえで推論してくれます。もちろんPyTorch等の学習ができるフレームワークでも推論に使えるのですが、推論専用の最適化がなされるところが特徴的で、実験してみたところPyTorchより高速な結果を得ることができました。 私は今回TensorRTを将棋AI向けのDNNの推論に用いました。もともとの動機としてはPythonを用いてPyTorchで学習したモデルをC++で書かれたゲーム木探索部から使いたいという目標があり、C++から使えて推論が高速なライブラリであるとみなすことができるので使いました。PyTorchのモデルをC++から

カスタムのTensorflowのモデルをTFLiteにconvertしようとしてすごく辛かったのではまりどころを記録していく。 サンプルにあるモデルをtfliteにconvertするのはそんなに難しくないんだが、ちょっと自分で手を加えたモデルをconvertしようとしたらTensorFlow初心者の私にはものすごく大変だった。 今回使うのはtensorflow/modelsのslimに入ってるモデル。 mobilenet、inception、resnet、vggなどのアーキテクチャが準備されている。 Kerasモデルのconvertはやったことがないので今回の話にはでてこない。 ※最新のTensorflowのversionは2.2だが、tensorflow/modelsに準備されているモデルはTensorflow2には対応していない ※今回書いているPythonコード内のTensorfFl

前回はポケモン名を一部に含む駅名を抽出する単純な実験を行いました。今回は、自然言語処理技術を導入してポケモン名をモデル化します。 select766.hatenablog.com モデルの構造として、Character-level Recurrent Neural Network (Character-level RNN)というものを用いました。簡単に言えば、文字列が与えられたときに次の文字を予測してくれるようなモデルfを再帰的に使う手法となります。ポケモン名で例えます。「サンド」「サイホーン」などがいることを考えると、最初の文字が「サ」のとき次の文字は「ン」や「イ」となるのが自然です。それを確率的なモデルで表現すると、f(サ) => ン=40%, イ=30%, ...というような入出力になります。「サンド」や「サンダー」がいるので、最初の2文字が「サン」のとき、次は「ド」や「ダ」が来るの

https://blog.qiita.com/like-to-lgtm/ Qiitaさんの変更。思想はまぁわかるものの、「全部読んでから押してほしい」といいながら、開いた直後に押せるところに配置するのは意味がわからないかなあ。https://t.co/HEtwKg0txr— chokudai(高橋 直大)🌸🍆🍡 (@chokudai) 2020年3月12日 これについては chokudai さんに完全に同意なのですが、その理由として、自分の在職時に企画したサービス設計意図が強くあって、退職者がそれについて今更どうこういうのはどうか思うところもあるのですが、当時の同僚がほぼ全員退職してしまっているため、ここでその意図を伝えます。 お前は誰 & 何 当時の Qiita の開発で、ストックといいねを分離して、いいねをベースにしたランキングの実装のを提案したのが自分です。社内の Qiita:

0. 短いまとめ 300万以上の証明書の失効を迫られたLet's Encryptのインシデントは「Golangでよくある間違い」と書かれているようなバグが原因でした。 1. はじめに、 Let's Encryptは、無料でサーバ証明書を自動化して発行するサービスを行う非営利団体として2014年に設立されました。 2015年にサービス開始されると証明書の発行数はぐんぐん伸び、先月末のプレスリリースでは累計10億枚のサーバ証明書を発行したことがアナウンスされました「Let's Encrypt Has Issued a Billion Certificates」。CTLogの調査から、2020年2月末の時点では有効な全証明書の38.4%がLet's Encryptの証明書であるとみられています「Certificate Validity Dates」。 無料の証明書を提供してもらえるのは非常に嬉し

はじめに Twitterにはオートプロモートという月額制の広告があります。 実はこのオートプロモートを以下のアカウントでサービス開始当初から利用しているので、 その1年以上のデータを公開してみようというのが今回の記事の趣旨です。 ついでにオートプロモートについてのアレコレも書いているので、 オートプロモートを使おうと思ってた人や気になってた人の参考になれば幸いです。 先にオートプロモートがどんな感じがざっくり説明すると、 「手間がかからない定額の放置型広告で、Twitter上での活動をちょっとだけブーストしてくれるもの」 と言った感じ。 また、参考に僕が考えるオートプロモートが向いてる場合と、向いていない場合はまとめてみました。 向いてる場合(オススメ出来る場合) 小規模な企業やクリエイターのアカウント そのアカウント自体を広めたい 手間をかけたくない 定期的に情報を発信している ほとんど

私は2018年10月に技術書典5で同人誌即売会に初サークル参加した後、2019年4月に技術書典6にもサークル参加、そして先日2019年12月にコミックマーケット97（コミケ）にサークル参加しました。 技術書典とコミケでは勝手が違う部分もあったので、その差分に特化した情報を簡単に書き留めておこうと思います。 あくまでコミケ97における情報で、今後のイベントでルールが変更されることがありますのでご注意ください。 なお数千部持ち込むような大規模サークルについては全く考慮していないのでご了承ください。 話題 頒布できるものの違い 出展申し込み 締め切りはイベントの半年前ぐらい 紙媒体の申込書が必要 当選 紙媒体のサークルチケット（入場券）が郵送されてくる 入稿 締め切りちょっと早め 宅配便はゆうパックのみ 直前準備 参加登録カード（ハンコが必要）などの記載 当日 物理媒体での見本誌提出が必要 この

おひさしぶりです。tkmです。 ９０日更新内容広告が出てしまったので、今回は学部生の授業で採点係をやった経験をもとに、米国大学の授業の運営について諸々書いていきたいと思います。 私は今回採点係でしたが、指導教員の授業なのと指導教員が来年TAやって欲しいからとTAと同等以上のタスクをこなしたので学期通しての一連の流れは把握しています。 採点係（Reader）とTA 補足: GSR (Graduate Student Researcher) タイムライン Quarter前: 履修登録 Week 0-1: Kickoff meeting & 宿題①問題作成 Week 2-3: 宿題①公開 Week ４: 宿題①採点開始 & 中間試験(Midterm)問題作成 Week 5: 中間試験(Midterm) ＆ 宿題①採点続き & 宿題②問題作成 Week 6: 宿題①採点返却 & 中間試験採点 &

今年9月に GitHub Action v2 がリリースされました．GitHub Action は GitHub が提供する CI/CD サービスです． 既存のサービスと大きく違う点は，処理を汎用的に Action として切り出して再利用できることです． 例えば，GitHub からのリポジトリのクローン actions/fetch や Node.js のセットアップ actions/setup-node などの基本的な実行ステップも Action として実装されています． 今回はこの GitHub Action を利用して，前々からあると良いなと思っていたベンチマークを継続的に取るための Action をつくりました． github.com github-action-benchmark はベンチマークの実行の出力からベンチマーク結果を抽出し，GitHub pages のブランチに JSO

日頃からプレゼンテーション資料を作る場面が多く，PowerPoint と Keynote をよく使う．さらにプレゼンテーション資料にシンタックスハイライトをしたコード（JSON / YAML なども含む）を載せることもある．今まで何度も「どうやってシンタックスハイライトをしてる？」と聞かれたため，毎回同じことを教えるのではなく，サッと URL を渡せるようにブログにまとめることにした． なお，2017年に公開した 「個人的な Keynote ベストプラクティス 2017」 に highlight コマンド と pbcopy コマンドを組み合わせる方法を載せているけど，今回はさらに選択肢を増やして「計3種類」紹介したいと思う． Visual Studio Code を使う highlight コマンド と pbcopy コマンドを組み合わせて使う Carbon を使う kakakakakku

2019/10/31 を持って８年間勤めてきたドワンゴを退職しました。 ドワンゴ退職エントリの旬は過ぎているよう気もしますし、こんな何年も放置していたブログで今更何をと思わなくもないですが、なんとなく自分の気持ちの整理もかねて適当に綴ってみようと思います。 何をやってきたか 各種のゲームデバイス、PS Vita, Wii U, 3DS, Nintendo Switch 上でのニコニコプレイヤーの実装をずっとやってきていました。 それぞれのデバイスでのシステム部分というか、ゲームデバイス上での非ゲームアプリケーションフレームワーク、そんなものを作り続けてきた感じです。 これらのニコニコ動画クライアントは、私の手を完全に離れてしまうことになります。 もっとできることはたくさんあるし、改善すべき点もたくさんある。愛用してくれているユーザーに対して自分が出来るはずのすべてを提供することができなかっ

こんばんは、kaerururu (@kaeru_nantoka)です。 今回は、Distillation the Knowledge in a Neural Network (2015) [ https://arxiv.org/pdf/1503.02531.pdf ] を読みました。 そして、kaggle freesound2019 コンペで実際に使ったデータとモデルを用いて蒸留の検証をしたので、これについて書いていこうと思います。 通しの実装は、kaggle 上に公開カーネルとして載せていますので合わせてご覧ください。 Distillation : [ https://www.kaggle.com/kaerunantoka/distillation-implementation-with-freesound2 ] Simple (比較用) : [ https://www.kaggle.c

Chief Technology Officer（CTO）という言葉を聞いたとき、あなたの脳裏にはどんな像が浮かんだだろうか？ バリバリにコードを書きながらプロダクト開発を引っ張る人物だろうか。テクノロジーの方向性やビジョンを社内外に発信し、業界からも一目置かれるような存在だろうか。あるいは現場のエンジニアの思いをうまく汲み取ってビジネスに落とし込む、調整能力に優れた人物だろうか。 おそらく答えは、企業の形態や文化、個々人のキャリアプランの描き方によって千差万別だろう。時にはChief Information Officer（CIO）、あるいはテックリードやVP of Engineering（VPoE）と重複した役割を果たすこともある。むしろ「CTOはこうであらねばならぬ」と1つの公式に当てはめようとする方がナンセンスかもしれない。 このようにさまざまな側面を持つ「CTO」だが、そもそもC

概要 VRoid Hubで見かけた素敵なモデルの作者にモデリングを依頼して自分のオリジナルアバターを手に入れました！！（挨拶） 世はまさに大パーソナルアバター時代。と言うわけでLive2Dやblenderを覚えて自分のモデルを作ったり、あるいはプロの人に依頼する事はこの1年で随分増えたように思います。 僕自身も、このムーブメントは大好きです。 最近だとpixivさんのVRMモデリングソフトであるVRoid Studioのリリースと、VRMファイルの立体ギャラリーサービスとしてVRoid hubがあります。 hub.vroid.com VRoid HubにはVRoid Studio で作られた素敵な子がいっぱい居ます。 そんな素敵な子を見ているうちに、VRoid Studioモデラーさんにモデル作成をお願いしたら、面白そうだと思いました。 そして勢いあまって自分用のアバターを作って貰いました