React と Firebase と Cloud Run を連携するサンプル実装 - めもめも
前提知識 React：インタラクティブな Web フロントエンド（クライアント上で稼働する Javascript）を実装するためのライブラリーで、状態変数の値の変化を自動的に画面に反映する機能があります。 Firebase：モバイルアプリのバックエンドを Google Cloud で提供するサービスで、ユーザー認証やユーザー管理などの機能を専用のライブラリで簡単に実装できます。 Cloud Run：アプリケーションのコンテナイメージを Google Cloud 上にデプロイして実行するサーバーレスタイプのサービスで、オートスケールなどの機能が簡単に利用できます。 なんの話かというと 上記の3つの技術（サービス）を組み合わせて、 エンドユーザーは、Google アカウントで Web アプリケーションにログインする Web アプリケーションから Cloud Run で稼働するバックエンド AP
Dockerイメージのレイヤー構造について - めもめも
何の話かというと Dockerイメージは複数のレイヤーが重なった形になっています。このあたりを内部構造とあわせて解説します。前提の環境は、CentOS7です。（つまり、ローカルのイメージ管理は、dm-thinが前提。） # rpm -q docker docker-0.11.1-22.el7.centos.x86_64 ローカルにイメージをpullする時の動作 まず、ローカルのイメージをすべて消してキレイな体にしておきます。 # systemctl stop docker.service # rm -rf /var/lib/docker/* # systemctl start docker.serviceCentOSの公式イメージをpullします。この時、4つのイメージ（b1bd49907d55、b157b77b1a65、511136ea3c5a、34e94e67e63a）がダウンロードさ
OpenStackクラウド基盤構築・ハンズオンセミナー講義資料 - めもめも
2014年3月3日〜4日にかけて、NPO法人トップエスイー教育センターによる表題のセミナーで使用する資料です。セミナーの詳細と申し込みについては、下記を参照ください。 ・【トップエスイー特別講義】OpenStackクラウド基盤構築・ハンズオンセミナー それぞれの資料は、二段組両面で印刷するときれいな冊子になるように空白ページが入っています。 第１日 講義No.1 OpenStackの概要と基本機能 ハンズオンNo.1 All-in-one構成での環境構築 講義No.2 仮想マシン構築自動化技術 ハンズオンNo.2 仮想マシン構築自動化演習 第２日 講義No.1 OpenStackの内部構造 ハンズオンNo.1 複数ノード構成での環境構築 講義No.2 Neutronの内部構造とSDN
Systemd入門(1) - Unitの概念を理解する - めもめも
Linuxの起動処理は、これまでinit/upstartと呼ばれる仕組みで行われていました。Red Hat Enterprise Linux 7 (RHEL7)では、これが、systemdと呼ばれるまったく新しい仕組みに置き換わります。Fedoraでは、すでに先行してsystemdが採用されていますが、この連載（？）では、Fedora 17での実装をベースとして、systemdの考え方や仕組み、利用方法を説明していきます。今回は、systemdの動作の基礎となる「Unit」の概念を理解します。 systemdを採用したFedoraでLinuxの基礎を学びなそう！という方には、「「独習Linux専科」サーバ構築/運用/管理――あなたに伝えたい技と知恵と鉄則」がお勧めです。(^^/ systemdの考え方 参考資料 ・Rethinking PID 1：systemdの開発者であるLennart
TensorFlow Tutorialの数学的背景 − Vector Representations of Words - めもめも
何の話かというと 本シリーズでは、これまで、CNNによる画像分類タスクを中心に解説してきました。ここでは、少し方向性を変えて、NLP（Natural Language Processing/自然言語処理）のタスクを取り上げます。Tutorialでは、Vector Representations of Wordsとして取り上げられているものです。 特徴ベクトルと「意味」の関係 本題に入る前に、「特徴ベクトル」について復習しておきます。 enakai00.hatenablog.com 上記の記事では、データを分類する際は、データそのものを見るのでなく、データから得られる「特徴変数」を見るとうまくいくことを説明しました。一般に特徴変数は複数あるので、これらを並べたベクトルを考えて、「特徴ベクトル」と言ってもよいでしょう。そして、特徴ベクトルの値によってデータがうまく分類できるということは、特徴ベ
TensorFlow Tutorialの数学的背景 − MNIST For ML Beginners（その1） - めもめも
何の話かというと TensorFlow Tutorialの最初に登場する「MNIST For ML Beginners」では、次の方針で手書き文字の分類器を作成しています。（今の段階では、下記が何を言ってるのか分からなくても大丈夫です。） ・28x28ピクセルの手書き文字画像を各ピクセルの濃度を並べた784次元ベクトルと見なす。 ・784次元ベクトル空間を10箇所に分類する線形の多項分類器を用意する。 ・多項分類器の出力値をsoftmax関数に入れて、784次元空間の各点について、「0」〜「9」のそれぞれの文字である確率を定義する。 ・上記の定義の下で、トレーニングセットが得られる確率を最大にするよう、線形多項分類器のパラメーターを調整する。 これが一体何を言ってるのか・・・ということを数学的に理解していただくことが目標です。今回は、下準備として、より単純化したデータで上記と同じ処理を実装
1
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
Google Cloud Vision APIをJupyterから利用する - めもめも