Shiro Kawai まだ下書き Schemeの特徴をあげるときに、「継続」や「call/cc」が出て来ないことはない。 でも、R5RSのcall/ccの項をいくら読んでも、どうもよくわからない。 call/ccを使えばC言語のbreakみたいなのとか、コルーチンとかいう スレッドもどきとかが書ける、というのはわかったけど、一体そういうのが書けて 何が嬉しいのか、そこんとこがピンと来ないんだ。 今、そこにある継続 プログラミングの世界の概念には、禅の公案のようなものがある。 それを説明する文章はほんの一文なのに、最初に目にする時、 その文は全く意味をなさない、暗号のように感じられる。 だがひとたびその概念を理解すると、 その概念の説明は確かにその一文で説明されているのがわかるのだ。 そんな、「分かれば分かる」という禅問答の中でも 「継続」は最も謎めいたものの一つと言えるだろう。 文献を紐

KMCの例会講座で用いたスライドを一部編集したものです。 ビット演算を組み合わせたトリッキーな方法で様々な操作を高速に行う方法を紹介します。

この記事は、フィヨルドブートキャンプ Part 1 Advent Calendar 2023 の 18 日目の記事です。 はじめに こちらの記事のおかげ String#succ を読んでみる🙋‍♀️ 実装コードを確認する ① rb_str_succ 関数 ② str_succ 関数の前編（処理の準備） ③ str_succ 関数の後編 ④ enc_succ_alnum_char 関数 ⑤ enc_succ_char 関数 実装を読んでのまとめ irbで確認 漢字 絵文字 おわりに はじめに 自分はここ 2 年ほど Ruby on Rails を学習しており、個人開発で作った Web アプリ（これ）も、Rails で開発しています。 先日、Ruby の基礎を改めて復習しようと Ruby Silver の試験を受けたのですが、試験に向けた学習で色々なメソッドを触っているうちに、「これらの実装

このブラウザーはサポートされなくなりました。 Microsoft Edge にアップグレードすると、最新の機能、セキュリティ更新プログラム、およびテクニカル サポートを利用できます。

Kernel/VM探検隊online part6 で Rui Ueyama 氏による『リンカー moldをいろんなターゲットに移植した話』のセッションを視聴し、普段は接点のないCPUやpsABIといった低レイヤーの世界を覗き見したので、メモを残しておきます。 動画 発表スライド Ruiさんは、LLVMのリンカlldの作者でもあり、過去には同勉強会のPart 2でもリンカについて発表されています。 超高速リンカmold 1/2 - ログミーTech 超高速リンカmold 2/2 - ログミーTech 今回も、前日に発表が決まったとはとても思えない、非常に濃い発表でした。 本テーマは筆者の普段の業務と大きく異なります。間違いなどがあればコメントで指摘していただけると助かります。 以下の様なキーワードが頻出します。 リンカ psABI ELF QEMU ISA RISC/CISC エンディアン

回答 (6件中の1件目) セルフコンパイルやブートストラップ、クロスコンパイルに関する仕組みなどについては、Tダイアグラム(Tombstone diagram、墓石図)という記法を知っておくと理解が深まるかもしれません。 Tombstone diagram - Wikipedia 上の場合、テトリスみたいなブロックの左がコンパイラの入力となる言語、右がコンパイラが生成する言語、 下がそのコンパイラを記述するのに用いられている言語です。 Bootstrappingと言うページでは、この記法を使ってブートストラップの過程を説明しています。かんたんに抜粋すると、 * (1)まず、最終...

はじめに 以前、mediapipeを利用した手のハンドサインを登録、検出するという記事を書きました。今回はそれをもう少し拡張して、一連の動作（ジェスチャー）で検出しようという試みです! こういったモーションキャプチャはさまざまな技術で行われていて、特に加速度センサ等を用いて測定するものなんかが多いイメージがあります。 また、認識のラグがネックになるはずなので、認識にかかる時間も計測していこうと思っています。 ではまず、イメージを掴んでもらうためにも今回作成したデモ動画を紹介します! かなり高精度でジェスチャー認識をすることができました!! 実装 今回の実装ではジェスチャーを保存して、同様のジェスチャーをした際に、それを検出してお知らせするという形にしています。 検出について 動作というものは１フレームではなく、複数フレームから構成されているため、単純な比較では動作同士を比べることは難しいで

多くのフロントエンド開発者が 一方向のアーキテクチャ を採用し始めている中で、Model-View-Controller（MVC）に未来はあるのでしょうか。 状況を把握するために、まずはフロントエンドのアーキテクチャの進化を振り返ってみたいと思います。 過去4年にわたり、私は多数のWebプロジェクトに取り組み、フロントエンドの構築、そしてフロントエンドとフレームワークの統合に多くの時間を費やしてきました。 2010年以前は、従来のウェブサイトにDOM操作を追加する場合は大抵JavaScript（ jQuery が書かれたプログラミング言語）が使用されていました。当時の開発者はアーキテクチャ自体についてはそれほど気に掛けていなかったと思います。コードベースを構造化する場合、 Revealing module pattern のようなものがあれば十分でした。 現在、多くの議論が交わされているフ

こんにちは！ 2023/10/27にスタッフエンジニアをテーマとし、「 スタッフエンジニア　マネジメントを超えるリーダーシップ 」の解説者である増井さん（masuidrive）、株式会社estie CTO 岩成（Nari）、スタッフエンジニア kenkooooがパネルディスカッションを行うイベントを開催しました。 あわせて前半のパネルディスカッション部分をYouTubeに公開しております。 なぜestieの組織にスタッフエンジニアが必要だと考えたか、実際に運用しているからこそ出てくる話など赤裸々にお話ししております。 www.youtube.com 参加者の感想（一部抜粋）をご紹介 スタッフエンジニアご本人の話だけでなく、CTOからの目線でどう見えているかや託している思いなども知ることができて良かった。また、増井さんからの社外からの視点の話もあり、多角的な視点で理解できた。 現役の技術者と

IBIS 2021 https://ibisml.org/ibis2021/ における最適輸送についてのチュートリアルスライドです。 『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-ru-men zk-SNARKs are zero-knowledge succinct non-interactive arguments of knowledge that allow a prover to convince a verifier of a statement without revealing details. They work by converting a f

加法準同型暗号をさらっと理解していきます 1. そもそも加法準同型暗号とは？？ 加法準同型暗号とは、暗号文のまま演算すると、平文を足し算してから暗号化したものと同じになる暗号です！ ここでの演算は何でもよいです。つまりは、暗号文のみで平文の足し算ができればいいのです。暗号化したまんま足し算ができるので便利ってわけです。 ※ちなみに掛け算が成り立つ乗法準同型暗号も存在します。詳しくは、準同型暗号をさらっと理解する。 暗号文のまま演算ができると、クライアントから送られたデータを安全に何らかの処理を施すことができます。秘匿化ブロックチェーンや機械学習、クラウドサービスなんかに応用されています。 加法準同型暗号は、乗法準同型暗号よりも複雑です。また、重大なデメリットがあります。加法準同型暗号の一つであるmodified-ElGamal暗号を使って、暗号文のまま足し算ができることを確認しましょう！

少し時間が経ってしまいましたが、Sentencepiceというニューラル言語処理向けのトークナイザ・脱トークナイザを公開しました。MeCabやKyTeaといった単語分割ソフトウエアとは趣旨や目的が異なるソフトウェアですので、少し丁寧にSentencepieceの背景、応用、実験結果等をお話したいと思います。 サブワード ニューラル言語処理の中心となる要素技術にLSTM (RNN)があります。テキスト(トークン列)を低次元のベクトルに符号化したり、ベクトルからテキストを復号化したり、その応用範囲は多岐にわたります。ニューラル機械翻訳 (NMT) は、LSTMによる符号化・復号化を組み合わせて翻訳を行います。 ↓↓↓↓↓↓↓ あなたの記事の内容 NMTのアーキテクチャは従来法と大きく異なりますが、入出力はこれまでと同様、なにかしらのトークン列です。どのような列でもよいのですが、慣習的に単語列が

ChatGPTのリリースは、AI研究や商業分野における大きな転換点となりました。指示チューニング、ファインチューニング、そして人間のフィードバックからの強化学習などもあわせて、さまざまなタスクで能力を示してきました。 この成功に触発され、オープンソースLLMは急速に進化しています。 そこで研究者らは、ChatGPTのリリースから1年を振り返り、オープンソースLLMがどのように進化し、例えばどのようなタスクでChatGPTと競合するレベルに達しているかを調査しました。 本記事では調査報告内容を読んでいきます。 参照論文情報 タイトル：ChatGPT’s One-year Anniversary: Are Open-Source Large Language Models Catching up? 著者：Hailin Chen, Fangkai Jiao, Xingxuan Li, Cheng

参照論文情報 タイトル：LLM in a flash: Efficient Large Language Model Inference with Limited Memory 著者：Keivan Alizadeh, Iman Mirzadeh, Dmitry Belenko, Karen Khatamifard, Minsik Cho, Carlo C Del Mundo, Mohammad Rastegari, Mehrdad Farajtabar 所属：Apple URL：https://arxiv.org/abs/2312.11514 本記事の関連研究：LLMへの入力プロンプトを「意味を保持したまま」高度に圧縮する技術『LLMLingua』 研究背景 LLMは高性能ですが、多くの計算能力とメモリ（情報を一時的に保存する部分）を必要とします。 そのためメモリ容量が限られているデバイス

マーケティングテクノロジーの情報やノウハウ・TIPS、エクスチュア社の情報を発信。【ブログネタ募集】ご興味のある分野を教えてください！ご要望の内容を記事に起こします！メニューの「ブログへの」リクエストよりお送りください。 menu

Amplify Gen2を 拡張してみよう JAWS-UG北陸新幹線 ( 福井開催 ) 2024-04-06/Let's extend Amplify Gen2