Intel N100のQSVをUbuntu22.04で使う - Qiita
話題のIntel N100(Alder Lake-N)な格安小型PCを買いました。 Amazonで大体2.2万円くらいでした。 QSVを目的に買ったのですが、Ubuntu 22.04でそのままでは動かなかったため、動くようにするメモです。 結論を先に とりあえず、結論はIntel N100が新しすぎることでした。 色々調べた結果として、カーネル？が対応していないことが原因のようだったので、以下を実行したら使えるようになりました。 $ sudo apt-get install -y gpg-agent wget $ wget -qO - https://repositories.intel.com/graphics/intel-graphics.key | \ sudo gpg --dearmor --output /usr/share/keyrings/intel-graphics.gpg
JavaScriptの便利な記法や関数の紹介およびそれらの注意点について - Qiita
はじめに JavaScript初学者を抜けたあたりの方にむけて、便利な記法や関数、その注意点について紹介します。 初歩的な文法やデータ型などの知識は前提として解説を省きます。 JavaScriptの巨大なテーマとしては非同期処理などもあるのですが、巨大すぎるために本稿では割愛させていただきます。 let/constの使い分けについて 変数は不変なconstおよび可変なletを利用することができます。原則的にはconstを使い、再代入が必要な個所のみletを使うのが標準的です。 letを利用している時点で 「処理のどこかで再代入される」 と処理内容の推論を働かせてコードを読む人が多いと思います。このようなコードの読み方をするという前提を踏まえてコードの可読性を高めるうえでも、再代入されるかされないかを意識してconst/letを使い分けることが重要です。
【技術書典】「Streamlit データ可視化入門」を執筆しました。 - Qiita
前置き こんにちは。データエンジニアの山口歩夢です！ この度、技術書典16に向けて、Streamlitの入門書を執筆しました。 StreamlitはPythonで書かれたOSSのフレームワークで、こちらを使用することでWEB開発の知識がなくても非常に簡単にアプリケーションの作成をすることができます。 日本語の情報がまだ少なく、英語のドキュメントや記事で情報を集める必要がある中で、多くの方々に魅力を伝えたいと考え、今回執筆に至りました。 ※下記のリンクで電子版を販売開始しました！ 謝辞 今回、こちらの技術書の作成にあたって、 Snowflake Superheroesの小宮山さん(@kommy_jp)に内容のレビューや表紙の絵の作成をしていただきました。 誠にありがとうございます 小宮山さんのSnowflakeについての著書はこちらです！ コンテンツの内容 簡単にどんな内容を書いたのか解説さ
HackMDってMarkdownEditorが革新的で使いやすい - Qiita
HackMDは、Markdownで書いたドキュメントを複数人で編集でき、リアルタイムプレビューが可能なツール。オープンソースとしても公開されている。 結論から言うとEditorは個人の好みで選べばいい。 いろんなEditorがでている中で、HackMDの最大の強みは、共同編集できて、気軽に始められることだ。 そして動作がめちゃめっちゃ軽い。早いは正義。 MTGの予定をセットしたカレンダーとかに、URL貼っておけば、メンバーがすぐにアクセスして編集できる。これがわりと楽しい。 MTG後にわざわざ認識合わせとかせずに、リアルタイムで相互レビューができるので、司会進行者のスキル差に関係なく、一定品質のドキュメントが完成できるのだ。 最終的なアウトプットは当然内容によって、それぞれあるべき場所が異なるので、MTG終盤にまとめまでやってしまえるので生産性の高いMTGができると思われる。 デザイナーが
Command R+はトークナイザーもすごかった - Qiita
はじめに 最近Command R+が界隈を賑わせています。 その賑わいの中でも「Command R+の日本語の応答速度が速い。」という声を良く聞きます。(半分以上X経由なので、よく聞くというよりも良く見るが近いですが、) そこで今回はCommand R+の日本語の応答速度が本当に速いのか、なぜ速いのかについてトークナイザー観点で述べたいと思います。 応答速度とトークナイザーの関係及びCommand R+のトークンナイザー まず前提として、入力あたりのトークン数が少なければ少ないほど応答時間が短くなります。よってトークナイザーは応答速度に大いに関係します。 詳しくは以下の記事で解説しています。少しだけ述べるとトークン数縮小に伴う語彙数増加によるEmbedding層肥大化による速度遅延<<トークン数増加による速度遅延となっています。ELYZAのfastのモデルが速い理由の一つもこの理由です。
RaspberryPi3でKTV-FSUSB2/V3（K1508）を使った録画方法その2（recfsusb2i、cron） - Qiita
RaspberryPi3でKTV-FSUSB2/V3（K1508）を使った録画方法その2（recfsusb2i、cron）cronRaspberryPiKTV-FSUSB2recfsusb2i地デジ 序 RaspberryPi3でKTV-FSUSB2/V3（K1508）を使った録画方法その1ではSofcasとlibarib25のInstallを解説した。 今回は、recfsusb2iのInstallと録画設定、cronの設定を解説したい。 ただ、地デジ録画の設定のキモは前回紹介したSofcasとlibarib25だと思われる。 recfsusb2iのInstall Installの詳しい内容は、なかゆきの気まぐれ日記が詳しい。 ここでは、繰り返しになるが、解説していきたい。 まずは、ソースファイルを展開するフォルダーをカレントディレクトリに作成する。
ラズパイ４を使った地上波録画サーバーを作る 後編(非docker版) - Qiita
初版：2020/8/20 更新：2021/12/17 メンテ＆トラブルシューティング ∟ 定時診断スクリプト 前編 １．ラズパイとサーバーの概要 ２．録画に必要なものを集める、購入する ３．OSのインストールとセットアップ ４．NASの構築 後編(docker-dvb版) 後編(docker-px4_drv版) ５．チューナードライバの導入 ６．docker-mirakurun-epgstationの導入 ● 後編(非docker版) ５．チューナーの導入、テスト録画 ６．運用のためのツール、mirakurun、epgstation 運用実践編 ７．録画管理方法 ８．エンコードと再生 ９．システムバックアップ 番外．まとめ版 番外．Mirakurunのチャンネル手動設定 番外．ラズパイ用ケース作成 前編に引き続き、テキトーに書いていきます。 適宜修正予定 ５．チューナーの導入、テスト録画
テレビ放送から諸々扱えそうなテキストを取得する - Qiita
はじめに マイニングに使われていたらしい「ビデオ出力のないビデオカード（RX470）」と「PCIExpress x1が10個以上あるマザーボード（CPU込）」を入手しました。「目的のためのお買い物」ではなく「目的は買ってから考える」のはいつものこと^^;、ということで。 今更マイニングもないし、機械学習とかかな？チャットボット作ってみたいな～、と調べてみると、大量の学習データが必要とか。学習データ、どうやって調達するのかしら？と先人の業を見るに、ネットにある会話コーパスを利用したり、twitterでreplyを集めたり、とからしく。 他に会話を集める方法はないのかしら？と考えていたら 「放送電波に垂れ流しになってる会話を利用すればいいんじゃね？」 となにかが降りてきました。 そういえば、データ放送に文字情報ってあるよね？ 目的 というわけで。テレビの放送電波に乗ってる文字情報を、いろいろに
TVを録画するためRaspberry Pi4にdocker-mirakurun-epgstationをインストールする - Qiita
録画サーバを作ろうと思った経緯 みなさんこんにちは。まずは録画サーバを作ろうと思った経緯を話したいと思います。 私自身はそんなにテレビを見ませんw が、以下の理由から作ろうと思いました。 ・サーバの知識があまりないから勉強になると思った ・子供や嫁さんがテレビ好きのためいつでも見れるようにしてあげたいと思った ・家にあるレコーダだと出先に見れない＆古くなってきたのでいつ壊れてもおかしくない（15年選手） 正直3つ目の理由がメインで車で出かけた時に見れたらいいなーって気持ちで作成しました。 なぜラズパイ？ってのは手元にあったサーバになりそうなものがラズパイだけだったからです。 docker-mirakurun-epgstation とは l3tnun様が公開しているEPGstationという録画管理システム？のDocker版です。 https://github.com/l3tnun/dock
MirakurunクローンをRustで実装しました - Qiita
今後，本記事を更新することはありません．最新の情報については，Twitterもしくはmirakc/mirakcを見てください． mirakcというMirakurunクローンをRustで実装しました． まだ，バージョンもつけていない状態なので，今後大きな変更を行う可能性はあります（async/awaitに変更したり，MPEG TSパーサーをRustで実装したり）． 特徴 ８チャンネル同時ストリーミング時のCPU使用率が2/3，メモリ使用量が1/60になります（要再計測） 詳細はこちら GCに起因するリソース消費がないため，CPU使用率やメモリ使用量がより安定的に推移します TSパケットはC++で実装した外部コマンドで処理します TSDuckを改造したものを使って実装しています EPGStationを動かすのに必要なREST APIのみサポートしています LinuxとmacOSで動きます ma
アノテーションツールELANの使い方 - Qiita
アノテーション作業？ 動画や音声の特定区間に注釈を与え，その注釈にラベルを振ることをある分野の研究ではよくやります． 具体例としては，インタビューする人とされる人が対話する様子を収録した動画に対して，インタビューする/される人それぞれの発話区間を認定し，さらに各発話区間についてどちらの話者による発話かのラベルを与える，のような作業です． アノテーション作業に使用するソフトウェアとして，ELANが有名です． この記事ではELANの基本的な使い方に加え，今まで経験した事例に基づくTipsも紹介します． ELANを触ったことがない人でも必要最低限のアノテーション作業ができるようになる記事を目指します． この記事で使用する環境は以下です． * OS: Win 10 64bit * ELAN: ver. 5.7 (非javaFX対応版) How to インストール インストーラー実行すれば終わります
Othello is Solved 論文解説 (私見) - Qiita
今朝起きたら、とんでもない論文を見つけました。 Othello is Solved ゲームの オセロが"解かれた(弱解決)" というのです。飛び起きました。それで、16時まで二度寝してから読みました。 注意すべきは、この論文が査読を経て公開されているわけではないこと、つまり形式上特にチェックを受けたものではないことです。ただ、タイトルからして非常に衝撃的ですので、個人的に読んでみました。この記事では、私がこの論文(およびソースコード)を読んでわかったことを、なるべくわかりやすくまとめます。随時更新します。 余談ですが、このタイトルはどうやら、チェッカーというゲームが以前弱解決された際の論文"Checkers Is Solved"のオマージュだろうという話です。 この記事には専門用語が出てくるので、最後の方に基礎知識として重要な用語や知識をまとめました。 お詫びと訂正 この記事の内容は、私が
いろんなバンディットアルゴリズムを理解しよう - Qiita
今回は、何も知らないところからバンディットアルゴリズムを学びました。 シンプルなバンディットアルゴリズムから、各ユーザーごとに最適化するContextual Bandit、順序を最適化するCascading Banditまで解説します。 学んでいて疑問に思ったことを解消しつつ記載しています。 ソースコード https://github.com/birdwatcherYT/bandit 対象読者 バンディットアルゴリズムを理解して実装したい人 ユーザーごとにカスタマイズしたバンディットを理解して実装したい人（Contextual Bandit） 順序を最適化するバンディットを使いたい人（Cascading Bandit） バンディットアルゴリズム バンディットの問題設定を説明します。 スロットマシンN台がある スロットマシンの腕を引くと報酬がもらえる 累積報酬を最大化したい バンディットアル
標準のマルチバイト関数を使って UTF-8 の文字列から1文字ずつ取り出す - Qiita
char 型でヌル終端の文字列でかつ不正なバイト列が含まれておらず、かつロケールを決め打ちにしてよいのであれば、1文字ずつ取り出すのに mblen、mbrlen、mbtowc、mbrtowc、mbrtoc32 を使うことができます。これらの関数の戻り値は次の文字のバイト数です。 mblen と mbrlen の使いわけは状態変数を自分で管理する必要があるかどうかです。mbrlen の第3引数に内部の状態をあらわす変数を指定します。 mbtowc と mblen の違いはコードポイントが必要であるかどうかです。mbtowc の第1引数にコードポイントが参照渡しされます。第1引数の型は wchar_t なので、OS によって結果が変わります。筆者は wchar_t のサイズが32ビットである Linux と Mac OS X で確認していますが、16ビットの Windows では未検証です。
音声のみで操作できるTODOアプリを開発してたら思ったより革命だった - Qiita
はじめに この記事では、音声認識のみで扱えるVoice Todoというアプリを作っている話をします。 既存TODOアプリのかゆいところ 皆さんはTODOアプリを使っていますか？ 正直に言うと、私は使っていません。 TODOアプリを使わない理由はいくつかあります。 まず、フリック操作が苦手。 フリックがとにかく苦手です。 どれぐらい苦手かというと、PCとスマホで同じ100文字程度の文章を打つと4,5倍ぐらい時間がかかります。 また、TODOの海を形成しがち。 TODOアプリを使っていると、気づいたらTODOの海を構築しています。 というのも、基本的に整理フェーズを置いてないからなんでしょう。 結果、消化するよりも探す時間の方が使うという状態に陥ります。 うーん。 どうにか、TODOアプリで楽して管理できないかなー。 ――――と思い立ったのがVoice Todo作成のきっかけです。 Voice
(ソースコードメモ)PyTorchでのCPU側並列処理 - Qiita
はじめに PyTorchのCPU側の並列処理は、ATen/Parallelで主に行う。CPUの並列処理の概要も文書に記載されている。現状の並列処理設定を確認するには、以下のスクリプトで確認できる。(PyTorch 1.2から以下のスクリプトで確認できる。) ATen/Parallel: at::get_num_threads() : 1 at::get_num_interop_threads() : 1 OpenMP 201511 (a.k.a. OpenMP 4.5) omp_get_max_threads() : 1 Intel(R) Math Kernel Library Version 2019.0.4 Product Build 20190411 for Intel(R) 64 architecture applications mkl_get_max_threads() : 1
無償入手可能な音声コーパス／音声データベースの一覧 - Qiita
無償かつ入手しやすい音声データセットをメモしています。 ライセンス・利用規約は「商用利用可能」「研究用途のみ」ともに紹介します。 コーパスを探すときに有用なサイト コーパス配布元サイト 音声資源コンソーシアム : 日本語コーパスが豊富、無償または有償で利用可能 緩いライセンスのコーパスでなくても良いときはここ 自発的発話の日本語音声コーパスはだいたいここにある 入手は要申請 所属や責任者を記入する必要があるため、研究者や企業でないと厳しい？ （この記事では音声資源コンソーシアムのコーパスは未掲載） Shinnosuke Takamichi: コーパス一覧 : 日本語中心。高道先生が携わっている音声コーパス 大量の日本語音声コーパスが配布されている 音声合成のコーパスをつくろう (Slideshare) : 2021年6月時点の音声コーパス事情 あなたにどうしても伝えたい30の音声コーパス
MusicLMができるまで - Qiita
Googleラボが、MusicLMなるものを発表しました。文章で指示した通りの音楽を生成してくれるAIです。 リンク先の音楽を聴いてみると、たしかに指示通りの音楽が、十分自然な品質で生成出来ているように聞こえます。凄いですね。 DALL.E 2やStable Diffusionなどの画像生成技術が世間を騒がせていた頃から繰り返し言われてきた、「そのうち音楽生成も来る」みたいな観測がようやく現実になったと言えるでしょう。 当然ながら、新しい技術は水を与えて待てば生えてくるわけではなく、実際は手と頭を動かし、あらゆる課題をねじ伏せなければ実現されません。未来予想トークで風呂敷を広げまくるよりも、リアルな課題解決の過程をじっくり研究したほうが楽しいと思います。 MusicLMは、Googleラボが去年発表した研究成果AudioLMとMuLanをベースにしており、AudioLMはさらにSoundS
因果推論で推薦システムを問い直す（評価指標編） - Qiita
はじめに みなさん（特に業務で推薦システムの構築に関わっている方）は普段どのようにして, 推薦アルゴリズムの性能を評価しているでしょうか？よく使われる評価指標として, MSEやMAE, AUCなど色々挙げられると思います. 実は, それらの評価指標をそのまま使ってしまうと間違った性能評価をしてしまい兼ねません. また, 多くの人がその事実に気づかぬまま間違った性能評価を信じてしまっている可能性があります. 間違った性能評価をしてしまうのはどうしてなのか？ それはどのように補正すれば良いのか？をなるべくわかりやすく解説したつもりなので, 推薦システムの評価について考え直すきっかけにしていただけたら嬉しいです. 目次 Toy Example 問題の原因を特定する IPSによるBias除去 簡易実験 最後に 参考 Toy Example 問題のイメージを持っていただくために, 簡単な推薦評価の例
PyTorchコーディング時の実装負担を低減させるテンプレートコード - Qiita
はじめに 機械学習コードに用いられるPyTorchコーディング時の実装負担低減を目的として、テンプレートコードを作成してみました。本記事では具体的な使用方法を記載します。(テンプレートコード部分の実装は文献1を参考にさせていただきました) ソースコード 下記リンクからアクセス可能です。 テンプレートコードはframeworkディレクトリに、ユーザー実装部分はusrディレクトリに、それぞれ格納されています。 使用方法 本テンプレートコードを使用することにより、自作のデータセットおよびモデル(+損失関数等)を用意するだけで、簡単にモデルの学習やテストができるようになります。ここでは、具体的な使用方法について説明します。 1. データセットの構築 初めに、データセットを読み込むためのクラスを作成します。データセットはユーザー定義であることから、データ形状等に制約はありません。一方で、後述するデー
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
