Elixirで弱々しいAI#6「くだけた会話も理解する」 - Qiita
（この記事は Elixir (その2)とPhoenix Advent Calendar 2016 11日目の記事です） 前回は、AIに感情のような「状態」を持たせ、その状態次第で返事を変えるようなロジックを作ってみました 最終回である今回は、くだけた会話もそこそこ理解できるようにするための工夫として、幾つかのトリッキーな構文での応答を作り込みます また、Wikipediaから引用するようなロジックも作ってみたいと思います なお、本コラム中の「Elixirの書き方」については、あまり細かく説明をしていないので、「ここの書き方が分からない」とか「この処理が何をしているのかよく分からない」等あればコメントください くだけた会話のパターン ひとまず、以下のような、くだけた会話に対応できるよう、品詞等の構成とリアクションを整理します パターン 品詞等の構成 リアクション
CaboCha をサーバ化して起動時間を節約する - Qiita
概要 構文解析器 CaboCha は、実際の1文あたりの処理時間はそれなりに速い（計算機の処理速度が大幅に向上している現代では）のですが、起動時に大きなモデルファイルを読み込む必要があるため、起動にはそれなりに時間がかかります。対話エンジンなどのレイテンシが重要なプログラムでは、この起動時間が大きなネックとなる場合があります。1回の応答生成の度に、CaboCha を起動し直していたのでは、応答時間が遅くなってテンポの良い対話ができなくなってしまうわけです。 本稿では、CaboCha をサーバとして常駐させておくことにより、起動時間を節約してレイテンシを改善する方法を示します。 本稿の方法は、サーバとクライアントからなります。サーバ側は、指定されたポートで待ち受ける HTTP サーバとして動作します。/cabocha?文字列 という GET リクエストのみに反応して、指定された文字列を Ca
CaboCha/南瓜 Python Document (CaboCha.py) - Qiita
メソッド(引数) -> 返値タイプ 説明 module Cabocha .Chunk(*args, **kwargs) 不明。解析の内部的に利用してるコンストラクタ？ .Chunk_swigregister(int) -> None 不明 .Parser(str) -> CaboCha.Parser コマンドラインオプションを引数にすることができる。 .Parser_swigregister(int) -> None 不明 .Parser_version コマンドラインオプション-v, --versionに対応 cabochaのバージョンを返す。 .Token(*args, **kwargs) 不明。解析の内部的に利用してるコンストラクタ？ .Token_swigregister(int) -> None 不明 .Tree() -> CaboCha.Tree 不明。解析の内部的に利用してる
CaboChaの係り受けをpydotで描いてみる - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? <sentence> <chunk id="0" link="1" rel="D" score="1.990242" head="0" func="1"> <tok id="0" feature="名詞,固有名詞,一般,*,*,*,金融商品取引法,キンユウショウヒントリヒキホウ,キンユーショーヒントリヒキホー">金融商品取引法</tok> <tok id="1" feature="助詞,格助詞,一般,*,*,*,に,ニ,ニ">に</tok> </chunk> <chunk id="1" link="7" rel="D" score="0
python3からcabochaを使ってみる - Qiita
python3からcabochaを使ってみた備忘録 こんにちは。 新卒マイナス１年目エンジニアの和尚です。 前回のmecabに引き続き、今回はpython3からcabochaを使えるようにします。 yumで簡単に導入する手段が見つからなかったので、公式サイトに乗っ取ってcabochaを導入していこうと思います。 開発環境 centOS6 python 3.6.2 この記事の目標 centOS6上でcabochaを使えるようにする。 python3からcabochaを呼び出す。 想定読者 (pythonを使用して)自然言語処理初心者 エンジニアの卵か雛 事前準備 参考資料 cabocha公式サイト CRF++公式サイト#download linux(Unix)でcabochaを利用するには以下のものが必要なのでインストールします。 CRF++ (0.55以降) MeCab (0.993以降)
プログラムは音楽だ (A program is a music.)
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? この資料の背景 この資料は、子供にプログラミングを教えるのに、音が鳴る題材だとデバッグが容易であることとに基づいています。音楽活動をされているプログラマの方々、音楽活動をされている方々がプログラミングに取り組む際の意見交換に基づいています。 何人かは、プログラマに転身される過程におつきあいしています。 そんな方の紹介からまず。 https://www.youtube.com/watch?v=qOOymLivqhU https://www.youtube.com/watch?v=ZBo-gvFN2mI 公開算譜(open source)は
TensorFlowとは？開発に役立つ使い方、トレンド記事やtips - Qiita
TensorFlowの概要・特徴 概要: TensorFlowは、Googleが開発したオープンソースの機械学習フレームワークです。ディープラーニングモデルを構築、トレーニング、デプロイするためのツールを提供し、研究開発からプロダクション環境まで利用されています。 特徴: 多様なプラットフォーム対応: TensorFlowは、CPUやGPU、TPU（Tensor Processing Unit）など、さまざまなハードウェアプラットフォームでのトレーニングと推論をサポートしています。 豊富なAPI: 高レベルAPI（Keras）から低レベルAPIまで、開発者のニーズに合わせて選べる柔軟なAPIを提供しています。 大規模なコミュニティとエコシステム: TensorFlowは非常に活発なコミュニティを持ち、豊富なチュートリアル、ドキュメント、サポートが利用可能です。また、TensorFlow E
TensorFlowチュートリアル - リカレント・ニューラルネットワーク（翻訳） - Qiita
##データのダウンロードと準備 このチュートリアルに必要なデータは、Tomas Mikolov の Web ページの PTB データセットの data/ ディレクトリにあります： http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz データセットはすでに前処理され、文末マーカーと、レアな単語のための特殊記号（<unk>）を含む、全部で10000語の異なる単語が含まれています。ニューラルネットワークでの処理を容易にするため、reader.py でそれらの単語すべてを、一意の整数の識別子に変換します。 ##モデル ###LSTM モデルの中心部は LSTM セルで構成されます。LSTM セルは、一度に１つの単語を処理し、文のありうる継続の確率を計算します。ネットワークのメモリ状態をゼロ・ベクトルで初期化し、各単語を読み込んで、メ
Tensorflowの関数理解 - Qiita
主にTensorFlow Mechanics 101を日本語化したもの。 一部公式チュートリアルとは違うコード載せている時もあるけど大意は同じ。 placeholder() inputとかoutputに用いる。 seesでrunするときに使うplaceholderをfeedする必要あり。 x = tf.placeholder(tf.float32, shape=(1024, 1024)) y = tf.matmul(x, x) with tf.Session() as sess: print(sess.run(y)) # ERROR: will fail because x was not fed. rand_array = np.random.rand(1024, 1024) print(sess.run(y, feed_dict={x: rand_array})) # Will suc
TensorFlowのReaderクラスを使ってみる - Qiita
# -*- coding: utf-8 -*- import tensorflow as tf csv_name = 'path/to/filelist.csv' fname_queue = tf.train.string_input_producer([csv_name]) reader = tf.TextLineReader() key, val = reader.read(fname_queue) fname, label = tf.decode_csv(val, [["aa"], [1]]) jpeg_r = tf.read_file(fname) image = tf.image.decode_jpeg(jpeg_r, channels=3) sess = tf.Session() init = tf.initialize_all_variables() sess.run(ini
C++でTensorFlow - Qiita
今回 前回と前々回はチュートリアルしかやって来なかったので、ここからは少し生産的な内容になればと思います…。 C++で学習させる 前回は、Computation Graphの定義と実行の仕方をまとめました。 今回は、そのComputation Graphを繰り返し実行して学習を進めることを考えます。 tensorflow/cc/tutorials/example_trainer.cc というexampleがあります。 このプログラムは、 A = [3 2; -1 0] x = rand(2, 1) として以下の計算を繰り返します。 x = y / y_norm y = A * x ではまずこの計算を行う、Computation Graphを作成する関数から確認しましょう。 GraphDef CreateGraphDef() { GraphDefBuilder b; using namesp
TensorFlowを使って顔認識器を作る - Qiita
はじめに こんにちは、Hironsanです。 顔認識は画像中に映った人を検知し、人物の識別を行う技術です。顔認識の用途としては、監視カメラのシステムに組み込んでセキュリティ向上に役立てたり、ロボットに組み込んで家族の顔を認識させたりすることがあげられます。 今回はTensorFlowを使って畳み込みニューラルネットワークを構築し、既存のデータセットを使って顔認識器を作ってみます。 対象読者 畳み込みニューラルネットワーク(CNN)を知っている TensorFlowでどう書くかはわからない CNNの理論については以下を見ればわかると思います。 Convolutional Neural Networkとは何なのか 準備 TensorFlowのインストール TensorFlowのインストールは公式サイトが丁寧に解説しているのでそちらを参照してください。 TensorFlowのインストール データ
(Kerasチュートリアル要約) 少ないデータでパワフルな画像分類を実現するために - Qiita
この要約は Building powerful image classification models using very little data | The Keras Blog ディープラーニングでの画像分類には、大量のデータが必要、とよく言われます。 また、ファインチューニングで画像分類を応用したい場合、データはあってもポイントがわからずに、正解率を上げるのに苦労することがあるかと思います。 このチュートリアルは、画像分類を本当に役立たせるためのポイントが解説されている貴重な資料なので、翻訳・要約してまとめました。 参考: こちらのブログでは翻訳を試みられています。 【ディープラーニング】少ないデータで効率よく学習させる方法：準備編 | ニートの言葉 はじめに 少ないデータしか利用できないケースはあるの? 高価な医療画像などでよくある話。 このチュートリアルでは、Dog vs. C
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
root権限なしでCaboChaをインストールする． - Qiita
ubuntu16.04LTSにMecabとCaboChaをインストールしてpython3系から使えるようにする - Qiita
cabocha-python のインストールには python-dev / python3-dev / python3.6-dev などが必要 - Qiita
pythonで言語処理するためのライブラリインストール方法（Mecab/Cabocha） - Qiita
libiconv.2.dylibのversionが古いというエラー解決法 - Qiita
MeCabとCaboChaをMacに導入してPythonから使ってみる - Qiita
KerasでImageNetのハンバーガーと自転車を分類した - Qiita
