今回はDjangoのフォームについて書きました。 だらだらしてたらアップするのがかなり遅れました(ごめんね) 難しいですよねフォーム。正直すこし苦手です。この記事はそんな人向けの備忘録(?)です。 infoこの記事は2015年に書かれたもので、Djangoのバージョンは1.8を使っています。基盤は変わっていないと思いますが、ご利用の際はドキュメントをしっかりご確認ください。フロントエンドのフレームワークを使う機会が増え、Django Form の利用はこれから減っていくと個人的に考えています。私自身もう年単位で Django Form に触れておらず、今後動向を追うこともないのでおそらく今後この記事を更新することはないと思います。FormFormはバリデータであり、HTMLのFORM関連要素を表現します。 >>> from django import forms >>> class Reg

Raspberry PiのGPIO制御 はーい、みんなー。Raspberry PiでLチカしてるかい？Raspberry PiでのGPIO制御、いつもライブラリ何使うかで迷っていて、比較をまとめるくらい迷っていました。 具体的には、RPi.GPIOかWiringPiで迷うことが多くて、pythonに特化して割り込みを使えるRPi.GPIO vs 精度の高いPWMを出力できる pythonでもCでも使えるWiringPiという感じでした。 ところが、最近pigpioという素晴らしいライブラリの存在を知りました。きっかけは下記のブログのpigpioに関する記事です。 Raspberry Pi用pigpio Library - その1：腰も砕けよ 膝も折れよ：So-net blog Raspberry Pi用pigpio Library - その2：腰も砕けよ 膝も折れよ：So-net blog

方法は、参考1や参考2や参考3を参考にさせていただいた。 手順は、参考1のままなので、省略。ただ、注意点として参考1や3にもあるようにターミナルからgpioコマンドを実行することを忘れないようにする。 次に、pythonの標準ライブラリCGIHTTPServerを使ってサーバーを立てる方法だが、これはこちらを参考にさせてもらった。以下のスクリプトcgiserver.pyを作成し、/var/www/に配置。ターミナルで/var/www/に移動し、cgiserver.pyを実行すれば、サーバーが起動する。ブラウザから、http://ラズパイのIPアドレス:8000でそのディレクトリのファイル一覧が表示されればOK # -*- coding: utf-8 -*- import CGIHTTPServer CGIHTTPServer.test() テスト用のスクリプトは、GPIO18にLEDを接続

大学でロボットを作る機会ができたので家で埃をかぶっていたPlaystationEyeを使って顔認識を試して見た。 使ったもの Raspberry Pi 3 OpenCV Webカメラ（PlaystationEye） セットアップ sudo apt-get install libopencv-dev sudo apt-get install python-opencv wget http://eclecti.cc/files/2008/03/haarcascade_frontalface_alt.xml USBにカメラを挿す 簡単なコード import cv2.cv as cv import cv2 cv.NamedWindow("camera", 1) capture = cv2.VideoCapture(0) faceCascade = cv2.CascadeClassifier('ha

Introduction Time Series (referred as TS from now) is considered to be one of the less known skills in the data science space (Even I had little clue about it a couple of days back). I set myself on a journey to learn the basic steps for solving a Time Series problem and here I am sharing the same with you. These will definitely help you get a decent model in any future project you take up! Before

python Advent Calendarのトップバッターということで、今更ではありますが、Twitter APIを叩いてみた話を書いてみます。これまでAPIを叩いたことがなかったので、今回はAPIを叩くという事自体の勉強も兼ねて、Twitter-pythonライブラリなども使わずにやってみようと思います。ネットで軽く調べて出てくるのは、Twitterライブラリを使ったものが多いので、少しは役に立つといいのですが。 やってみること REST APIより、Streaming APIの叩き方がよくわからなかったので、今回はStreaming APIを叩いて、tweetの内容を表示するところまでやってみようと思います。 必要なもの importするもの とはいうものの、OAuth等のコードをすべて書くのは辛いので、そのあたりはライブラリに任せることにします。 requests OAuth1 f

DataFrameの作成 データの新規作成 pd.DataFrame で DataFrame の作成ができる。注意点として、各列ごとのデータ数は一致している必要がある。 df = pd.DataFrame({ 'A' : [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5, 6, 6, 7, 8, 9, 10], 'B' : [1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 6, 7, 7, 8, 8, 8, 8, 8, 8] })

py_face_detection.markdownを元に 「OpenCV-Python Tutorials」 和訳の中の Face Detection using Haar Cascades の訳を作成しました。 原文の英語の後に、和訳を記載しました。アルゴリズムに興味をもっていただくのに役立てば幸いです。 以下のページが立ち上がっているので、私のつたない訳は必要としなくなっています。 鳥取大学内のOpenCV-Python チュートリアル文書のページHaar Cascadesを使った顔検出 Face Detection using Haar Cascades {#tutorial_py_face_detection} Goal In this session, We will see the basics of face detection using Haar Feature-bas

cls = MALSS('classification', shuffle=True, standardize=True, n_jobs=3, random_state=0, lang='jp', verbose=True) cls.fit(data, y, 'result_classification') コンストラクタMALSSへ渡す引数で必須のものは，分析タスクのみです． 今回はラベル（Yes/No）を予測する分類（識別）タスクなので"classification"です． 値を予測する回帰タスクでは"regression"になります． それ以外のオプションは初期値が設定されているので，入力は必須ではありません． shuffle は機械学習を行う際にデータをシャッフルするか（初期値：True）， standardize はデータを基準化（各列を平均0，分散1に）するか（初期値：True

1, Pythonのファイル出力 Pythonで作成した出力結果をまとめるのに便利なJSONファイルの紹介です． 後ほど説明しますが，Pythonのリストや辞書形式をそのまま保存できるため， 入出力用の変換がほとんど必要ありません． また，入出力用のimport jsonが入っているので，別ライブラリのインストールは不要です． 2, リスト(list)と辞書(dict)について まず，リストと辞書のことを知っていないと辛いので，書いておきます． 「知ってるよ！」という人は飛ばしてください． 2.1 リスト リストは，C++で言うところの配列だと思ってください（自分の理解）． Pythonでは，[]で初期化するとその変数はリストの扱いになります． 下の例では，変数aをリストとして初期化しています． for文の中では，リストの末尾にiの値を追加しています． 各要素へのアクセスは，[]内にリスト

「scikit-learnでPCA散布図を描いてみる」では、scikit-learnを使ってPCA散布図を描いた。 ここでは、scikit-learnを使って非線形次元削減手法のひとつt-SNEで次元削減を行い、散布図を描いてみる。 環境 「scikit-learnでPCA散布図を描いてみる」を参照。 MNISTデータセットとPCA散布図 MNISTデータセットは0から9の手書き数字を表す8x8グレイスケール画像のデータセットであり、irisに並んで有名なサンプルデータセットである。 The Digit Dataset — scikit-learn 0.18.1 documentation このデータセットについてPCA散布図を描いてみると次のようになる。 %matplotlib inline import matplotlib.pyplot as plt from sklearn imp

はじめに pythonで3層のニューラルネットワークを実装し，XNORの識別をしてみました． 数式も載せたので，興味のある方は読んでみてください． 教科書として『深層学習』を使いました． 本記事の構成 はじめに ニューラルネットワーク 重みの更新 誤差逆伝播 XNOR pythonでの実装 結果 おわりに ニューラルネットワークとは，人間の脳の神経回路を模したモデルです．このモデルを使うことで，画像認識や音声認識が可能となります． 今回実装したネットワークは入力層，中間層(1層)，出力層の3層構造です． 重みの更新 下の図で説明していきます． $l-1$ 層目の $i$ 番目のユニットから $l$ 層目の $j$ 番目のユニットへの重みを $w_{ji}^{(l)}$ とします． また，$l-1$ 層目の $i$ 番目のユニットが保持している値を $u_{i}^{(l-1)}$ とします．

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

Pythonを使ってこの方さまざまな点につまずいたが、ここではそんなトラップを回避して快適なPython Lifeを送っていただくべく、書き始める前に知っておけばよかったというTipsをまとめておく。 Python2系と3系について Pythonには2系と3系があり、3系では後方互換性に影響のある変更が入れられている。つまり、Python3のコードはPython2では動かないことがある(逆もしかり)。 Python3ではPython2における様々な点が改善されており、今から使うなら最新版のPython3で行うのが基本だ(下記でも、Python3で改善されるものは明記するようにした)。何より、Python2は2020年1月1日をもってサポートが終了した。よって今からPython2を使う理由はない。未だにPython2を使う者は、小学生にもディスられる。 しかし、世の中にはまだPython3に

Pythonのasyncio、またasync/awaitについてはあまり実践的な例が出回っていなかったため、収集した情報をもとに用例ベースの逆引きリファレンスを作ってみました。 ただ、この辺はほんとに情報がなくて何が真実なのか謎に包まれている点があるので、情報をお持ちの方はぜひご連絡をいただければと思います。 今回紹介する例は、以下のgistにまとめてあります。実装時の参考にしていただければと思います。 icoxfog417/asyncio_examples.py はじめに Pythonにはthreading、multiprocessing、asyncioとどれも並列処理に使えそうなパッケージが3つあります。これらの違いをまず押さえておきます。 これらのパッケージの違いは、そのまま「マルチスレッド」、「マルチプロセス」、「ノンブロッキング」の違いに相当します。まず、マルチスレッドとマルチプ