LiteX と Migen の勉強をしてみる（第1回） • IoT ソフトウェア設計のファームロジックス [相模原]
Slowly start learning LiteX and Migen. 以前に、SpinalHDL というハードウェア記述言語や、オープンソース（あまり好きな言葉ではないが）の論理合成ツール Yosys、Place and Route ツール nextpnr を使って、設計した論理回路や RISC-V SoC を Lattice 社の FPGA 上で動かしてました。 SpinalHDL による SoC 設計は面白いのですが、SpinalHDL プロジェクトの進み方は基本的に Charles Papon さんの意向次第なので、私の期待している方向にプロジェクトが進まないことがあります。（以前の様子ですと、Papon さんは SMP による Linux 動作に取り組んでいらしたようです。）また、やはり Scala ベースの Chisel や SpinalHDL を利用するには、どうしても
![LiteX と Migen の勉強をしてみる（第1回） • IoT ソフトウェア設計のファームロジックス [相模原]](https://cdn-ak-scissors.b.st-hatena.com/image/square/efe5265cdb1e42b4459e1e15a7575b6f2b844dbe/backend=imagemagick;height=288;version=1;width=512/https%3A%2F%2Fflogics.com%2Ffavicons%2Fog-image.png)
Welcome to Triton’s documentation! — Triton documentation
Getting Started Installation Tutorials Python API triton triton.language triton.testing Triton Semantics Gluon Overview Tutorials Examples API Reference Triton MLIR Dialects Triton MLIR Dialects and Ops Programming Guide Introduction Related Work Debugging Triton Floating-Point Sanitizer (FpSan) Welcome to Triton’s documentation! Triton is a language and compiler for parallel programming. It aims
あなたのPythonを100倍高速にする技術 / Codon入門
はじめに Pythonは世界的にも人気のあるプログラミング言語ですが、実行速度については課題があります。Pythonの実行速度を高速化したい、という要求は根強く、これまでにも様々なツールや処理系が開発されています。 この記事ではMITの研究者らが開発したPythonを高速化するツール「Codon」について紹介します。 この記事を3行でまとめると： 高性能で簡単に扱えるPythonコンパイラ「Codon」 Pythonとの互換性がありながら、CやC++に匹敵する高速化を実現 実際にPythonコードが100倍速くなることを検証 Codonとは Codonは高性能なPythonコンパイラです。実行時のオーバーヘッドなしにPythonコードをネイティブなマシンコードにコンパイルし、シングルスレッドで10-100倍以上の高速化が実現できます。Codonの開発はGithub上で行われており、2021
Pythonとの決別
Connor's Blogより。🤨 何年もの間、Pythonは、他の言語では負担が大きすぎると感じるようなちょっとしたスクリプトを素早く作成するための頼りになる言語でした。しかし、時間が経つにつれて、Pythonに幻滅し、今ではGoやJavaScriptのような言語を選ぶために、可能な限りPythonを避けるようになりました。 Pythonのドキュメントは最悪 済みません。本当にひどいです。例えば、このページを例にとってみましょう。ナビゲートするのが恐ろしいです。このモジュールが公開する関数のリストを見るには、どうしたらいいでしょうか? 私は無理です。探しているものを見つけるには、スクロールして、Ctrl+Fを押さなければなりません。 では、Goのnet/httpのドキュメントを見てみましょう。サイドバーには、このパッケージで公開されているすべての定数、変数、関数、型が明確に表示されてい
traceback — Print or retrieve a stack traceback
traceback — Print or retrieve a stack traceback¶ Source code: Lib/traceback.py This module provides a standard interface to extract, format and print stack traces of Python programs. It is more flexible than the interpreter’s default traceback display, and therefore makes it possible to configure certain aspects of the output. Finally, it contains a utility for capturing enough information about a
Pythonでスレッドのスタックトレースを出力したい - CLOVER🍀
これは、なにをしたくて書いたもの？ Pythonで、動作しているスレッドのスタックトレースを出力する方法は？ということで。 環境 今回の環境は、こちら。 $ python3 -V Python 3.8.10 使う標準ライブラリ 今回の目的は、このあたりを使えば良さそうです。 traceback --- スタックトレースの表示または取得 — Python 3.8.10 ドキュメント sys --- システムパラメータと関数 — Python 3.8.10 ドキュメント threading --- スレッドベースの並列処理 — Python 3.8.10 ドキュメント 以降、これらを使ってちょっと試していきたいと思います。 スタックトレースを出力するコードを埋め込む まずは、スタックトレースを出力したい処理自体の中に、スタックトレースを出力するコードを埋め込んでみます。 thread_dump
第688回 eBPFのコンパイラーに対応したツールでさまざまな挙動を可視化する | gihyo.jp
実行中のシステムの挙動を詳細にトレースする仕組みは、特に「よくわからない問題」に遭遇している時に重要です。今回はLinux向けのトレーシングツールの本命とも言えるeBPFを利用した各種ツールを紹介します。 eBPFに関する記事が今回以降、数回にわたって解説されています。あわせてご覧ください。 第688回 eBPFのコンパイラーに対応したツールでさまざまな挙動を可視化する（今回の記事） 第690回 BCCでeBPFのコードを書いてみる 第692回 sysfsやbpftoolを用いたeBPFの活用 第694回 libbpfとclangでポータブルなBPF CO-REバイナリ作成 第695回 入門BPF CO-RE eBPFとBPF Compiler Collection 改めて言うまでもなく、Linuxカーネルもしくはカーネル上で動いている各種タスクのパフォーマンスや挙動を調べなくてはならない
LiteXではじめる自作SoC(1)
LiteX ではじめる自作SoC 最近は、RISC-V の誕生により、CPUコアは個人の趣味で作るのが難しくない時代になってきた。 さて、コンピュータというのは、CPUコアだけで動くものではなく、周辺のストレージ、ネットワーク、DRAM、USB、その他入出力装置が揃ってはじめて動くものだ。 CPUコアが個人で自由に作れるようになったら、その次のステップとして、周辺装置も含めた物体、つまり、SoC(System On Chip)を自分で作れるようになりたいと思うのは自然なことだろう。 LiteX は、そういうSoCを自分で作ってみたいという人向けのツール、RTLなどが集まったプロジェクトだ。 公式のWikiによると、 LiteX is a Python "front-end" that generates Verilog netlists, and drives proprietary bu
Z3Py Guide
Z3 API in Python Z3 is a high performance theorem prover developed at Microsoft Research. Z3 is used in many applications such as: software/hardware verification and testing, constraint solving, analysis of hybrid systems, security, biology (in silico analysis), and geometrical problems. This tutorial demonstrates the main capabilities of Z3Py: the Z3 API in Python. No Python background is needed
読書メーターをスクレイピングして協調フィルタリングっぽいのを実装した - Qiita
この記事は、OIT Advent Calendar 2018の17日目の記事です． こんにちは こっそり歩くです．まいかた出て奈良なんとかで院生してます． twitter やったこと 読書メーターをスクレイピングして協調フィルタリングを使った推薦モデルを作った． モチベーション 恒川光太郎の作品が好きだけど，そろそろ全作読み終わるのでいい感じの本が探したい →Amazonの推薦が微妙だったので，とりあえず自分で作ってみようと思った スクレイピング 協調フィルタリングをするのにデータが欲しい →読書メーターからユーザごとの読んだ本を持ってくれば協調フィルタリングいけるか？ →スクレイピングしよう (→なんかスクレイピングってハッカーぽくてカッコイイ🤓（やったことないが）) 使ったもの beatifulsoup4 有名どころらしい． HTMLをパースしてくれたり，欲しいタグのみ取り出したりし
マクドナルドで一日分の栄養を取れる組み合わせを計算したら衝撃の結果に - Qiita
コレステロールは最低摂取基準量はないので0としています（実はこれが伏線になっている）。 そして目的は、一日必要な栄養素を満たす最もカロリーの低い商品の組み合わせとします。金に糸目はつけません。健康第一！ 解く 商品の数が96個、栄養素の数が16個なので、とても人間の手では解けません。そこでコンピューターの力を借ります。幸いPuLPというPythonで無料で利用できるソルバーがあるので、これで計算します。ちなみにExcelにもソルバーが搭載されていますが、この程度の数の決定変数でもエラーになって計算できませんでした。 # Import PuLP modeler functions from pulp import * # A new LP problem prob = LpProblem(name="mac", sense=LpMinimize) # Variables AA = LpVar
統計的因果推論のためのPythonライブラリDoWhyについて解説：なにができて、なにに注意すべきか - Unboundedly
機械学習など主に予測を目的とした統計手法に強いイメージのPythonでしたが、統計的因果推論を行うためのライブラリ、“DoWhy”がついにリリースされました。 DoWhy | Making causal inference easy — DoWhy | Making Causal Inference Easy documentation これまで因果推論があまり浸透してこなかった*1データサイエンス界に新しい風が吹くのではと期待が高まります。 一方でこのパッケージが何を可能にし、逆に何ができないのかを理解しなければ、雑なデータ分析が増えて逆に有害なのではと思い、今回ブログを書くことにしました。 先に言っておくと、私自身はPythonをメインに使っているわけではありません（使ったことはあるので一応コードを読んで何が起こっているかくらいはわかります）。したがって本記事の目的は、DoWhyライブ
jpn.ph - このウェブサイトは販売用です！ - jpn リソースおよび情報
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
ValgrindとGDBでプログラムのメモリアクセスをみてみる | わさらぼ
プログラムの動的な振る舞い、特にメモリアクセスの様子をみてみたくなることがあります。 たとえば、2017年のデザインガイアで発表されていたFPGAアクセラレータ開発を支援するためのツール環境では、ValgrindとGDBを使ってメモリアクセスの様子を可視化していて、面白そうだな、やってみたいなと思わされます。 とりあえず Valgrind + GDBでメモリアクセスを確認する方法を、ちょっと試してみました。 Valgrindを使ってみる まずはValgrindを使ってみます。ターゲットはfree忘れの簡単なプログラムです。 #include <stdlib.h> #include <strings.h> #define N (100) #define M (128) void dut() { char *ptr; for(int i = 0; i < N; i++) { ptr = (ch
WebサービスのA/Bテストや機械学習でよく使う「確率分布」18種を解説 -
主な確率分布の関連図 こんにちは、吉岡（@yoshiokatsuneo）です。 Webサービスを運営していると、利用状況を分析・予測したり、A/Bテストなどで検証したりすることがよくあります。 データを一個一個見ていてもよくわからないので、データ全体や、その背景の傾向などがまとめて見られると便利ですよね。そんなとき、データの様子を表現するためによく使われているのが「確率分布」です。 学校の試験などで使われる偏差値も、得点を正規分布でモデル化して、点数を変換したものです。 今回は、Webサービスなどでよく使われる確率分布18種類を紹介します。 それぞれ、Webサービスでの利用例やPythonでグラフを書く方法も含めて説明していきます。コードは実際にオンライン実行環境paiza.IOで実行してみることができますので、ぜひ試してみてください。 【目次】 正規分布 対数正規分布 離散一様分布 連続
DeepSource: The AI Code Review Platform
Deep code review with hybrid static analysis and AI agents. High-signal, low false-positive issues and structured feedback across security, quality, complexity, and coverage. Inline review on pull requestsCatch bugs, anti-patterns, and security vulnerabilities on every pull request. Powered by 5,000+ deterministic rules along with our state-of-the-art AI review agent.
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
PythonとOCRエンジンで画像から文字を認識する - Qiita
Z3: An Efficient Theorem Prover
京都大学学術情報リポジトリKURENAI
Pythonプログラミング入門 — Pythonプログラミング入門 documentation