概要 9000種類以上の物体を検出可能な物体検出器である、YOLO9000 を動かします。YOLO9000は動物の検出が得意な検出器 [Joseph Redmon+, CVPR2017] であり、また、YOLOは二次絵への汎化が得意な検出器 [Joseph Redmon+, CVPR2016] であることから、今回は動物やけものフレンズの画像に適用し、精度や汎化性能を確認します。 YOLO9000環境構築 YOLO9000フレンズになるの、すごく簡単。以下のコマンドを呼んで。 # Installing Darknet git clone https://github.com/pjreddie/darknet cd darknet make # Downloading pre-trained weight file for MS COCO (80 classes) #wget http://

コーディングに関する発言でありがちな発言の例を書いてみました。 「引数にconstがついてないなんて、気にしてんじゃねえよ。ちゃんと動けば問題ないだろう。」 間違っている理由： ソースコードは、コンパイラのために書くのではなくて、コードを保守・追加開発する同僚のために書くものです。読みやすさは、人のために必要です。引数にconstが書いてあれば、それが入力であって、値が変わることがないことが、誰にでも自明なものになります。 「引数にconstがついてないけど、ドキュメンテーションコメントで@param[in] p1 cv::Point と書いてあるんだからいいだろう。」 間違っている理由： ドキュメンテーションコメントは、const修飾子の代わりになりません。 const　修飾子がついている引数を関数内部で値を書き換えようとすると、コンパイラがエラーを返します。 ドキュメンテーションコメン

はじめに ターミナルの描画速度が遅いです vimmerにとって深刻な問題となっています1 僕のMacの環境では Terminal.app が一番悪くて、 カーソル移動するだけでも、かなり遅く感じる。 iTerm2ではスクロールが発生しないカーソルの移動は問題ないが、 スクロールが発生するカーソル移動を行うと遅く感じる。 調べてみると、困っている人は他にもいて、vimの設定などをいろいろ工夫している。 Vim - General - Vim is too slow with syntax highlighting vim syntax highlight improve performance - Stack Overflow http://andrewbrookins.com/tech/slow-scrolling-in-vim-and-macvim-on-os-x-increase-ke

ネットワークのトラブルシュートなどをする時にtcpdumpやwiresharkといったツールを使ってキャプチャデータを取得し、正常ではない通信を特定するなど分析します。その時にIPアドレスやポート番号といったことは当然確認すると思いますが、本記事ではそれ以外に分析に利用できそうな小技をいくつか紹介したいと思います。お題は以下のとおりです。 MACアドレスからNICのベンダーが分かる IPヘッダからおおよそのホップ数が推測できる TCP/IPヘッダからOSを推定できる TCPの3-way-handshakeからネットワークの遅延を測れる TCPの再送状況からネットワーク品質の変化を見れる DHCP/mDNS/NBNS/LLMNR から同一ネットワーク内のホスト名がわかる TLSのclient helloから接続先のホスト名がわかる 【注意事項】 本職のネットワークエンジニアの方にとっては当た

はじめに ニューラルネットワークが持つ欠陥「破滅的忘却」を回避するアルゴリズムをDeepMindが開発したらしいので、元論文を読んでみた。 Overcoming catastrophic forgetting in neural networks https://arxiv.org/abs/1612.00796 Introの最初から汎用人工知能とかいきなり出てくるのでおおっと思うが、やってることはめちゃくちゃシンプル 端的に言えば学習したニューラルネットのパラメータのそのタスクに対する重要度がフィッシャー情報行列で測れるよ 脳神経科学系の単語が結構出てくるので、専門家がいるのかな？とはいえこの背景は後付で、アルゴリズムが先なんじゃないかな… 元の論文では数式を端折っている箇所があるので、適宜補完しつつ、直感的解釈とかは勝手に入れている。論文の流れにはそこまで沿っていない 不正確・間違ってい

追記1: plugins周りに参考Issueや @Quramy パイセンの記事へのリンクを追加。 こんばんは@vvakameです。 TypeScript 2.3 RCがアナウンスされましたね。 What's new in TypeScriptも更新されているようです。 TypeScriptのリリースサイクルの変更がアナウンスされた後の初めてのリリース候補です。 変更点まとめ --target es3 と --target es5 でもジェネレータが使えるようになった Generator support for ES3/ES5 非同期イテレータのサポート Asynchronous iterators async generatorsとasync iterationのサポート for-await-of のサポート --downlevelIteration オプションの追加 Genericsの型

DeepMindのSonnetを触ったので、TensorFlowやKerasと比較しながら解説してみた機械学習DeepLearningKerasTensorFlowSonnet はじめに GoogleのDeepMindが社内的に使っている深層学習ライブラリSonnetを公開したので、試しに触ってみました。TensorFlowやKerasと比較をしながら解説していきたいと思います。まだ触ってみたばかりで細かい内容をお話することは出来ませんが、少しでもSonnetが気になっている方の力になれれば嬉しいです。 間違ってる部分や質問などありましたらコメントして頂けると幸いです。 Excited to release #Sonnet - a library for constructing complex Neural Network models in TensorFlow. Get starte

前 v3.19.0 | 次 v4.1.0 We're excited to announce that ESLint v4.0.0 has been released! https://t.co/sLe0kCwfMA — ESLint (@geteslint) 2017年6月12日 ESLint 4.0.0 がリリースされました! 主にはインデント ルールの改定、公開 API のクラス化、コメント関連の API 変更などです。エンドユーザー向けには特にインデント ルールの改定の影響が大きいでしょう。それ以外は見えないところが変わった感じだと思います。 Release note: 4.0.0-alpha.0 Release note: 4.0.0-alpha.1 Release note: 4.0.0-alpha.2 Release note: 4.0.0-beta.0 Release no

はじめに oVirtはRHEV(Red Hat Enterprise Virtualization)のアップストリームにあたるOSSで、商用の仮想化製品と同等の機能が無償で利用できるKVM仮想化基盤ソフトです(単なるKVMの管理ソフトを探している人は手を出さないことをお勧めします)。開発速度が早く日本語の最新情報は少ないですが、コミュニティーMLの投稿は活発で、Red Hatの開発者を中心に現在も開発が精力的に進められているようです。 昨年末にHyperconverged Infrastructure using oVirt and Glusterのblogを発見して、oVirtがGlusterFSと組み合わせたハイパーコンバージド構成を推進していることを知り使ってみたところ、共有ディスクを用意することなく仮想化基盤が作れるため小規模構成に向いていると感じました。しかしながら実際に構築しよ

はじめに 前にChrome拡張のマルウェア疑惑で話題になっていたので、今更ですが、その危険性を試してみました。 悪用はしないでください。 Chrome拡張を用いたTwitterアカウントの奪取 身近なTwitterアカウントの奪取を試します。 詳細は書きませんがmanifest.jsonのcontent_scriptsを使います。 アカウントを取る方法は、対象ユーザがログインした瞬間を狙います。 ですが、すでにログインしている可能性が高いので下記のようなコードで強制ログアウトさせます。 /** * twitterを強制ログアウト */ function logout() { var signout_btn = document.querySelector('#signout-button .dropdown-link') if(signout_btn) signout_btn.click(

はじめに 機械学習、特にdeep learningではデータが命である。ここでは、顔画像から年齢・性別を推定するタスクの学習に利用できるIMDB-WIKIデータセットを紹介する。 本稿では、学習のためのデータの整形まで。次回はCNNを利用した年齢・性別推定CNNの学習をやりたい。 コードは下記。 https://github.com/yu4u/age-gender-estimation IMDB-WIKIデータセット このデータセットは、Internet Movie Database（IMDb; 映画やテレビ番組の俳優に関するオンラインデータベース）およびWikipediaをクローリングして作られたデータベースで、プロフィール画像、プロフィール画像から顔領域を抽出した画像、人物に関するメタデータから構成される。IMDbには、460,723枚、Wikipediaには62,328枚の顔画像が含

2017年2月にYahoo!からTensorFlowをSparkで分散処理させるライブラリが出ました。 http://yahoohadoop.tumblr.com/post/157196317141/open-sourcing-tensorflowonspark-distributed-deep これを個人的にDockerに乗せて遊んだりしていたのですが、じゃあKerasはどうなの？ってことで、今回はKerasをSparkで分散処理させるDist-KerasをDockerで動かしてみようと思います。 目標はディープラーニングライブラリをスケーラブルに利用することです。 GPGPUの活用によりディープラーニングはスケールアップ方面に力を入れている感じがします。 しかし、処理の高速化を演算装置の性能に求めるスケールアップと、演算装置の数に求めるスケールアウトを組み合わせればより高速な処理ができ

$request_id Nginx 1.11.0 以降に限りますが、リクエスト毎に発番されるIDの変数として $request_id が追加されたようです。 http://nginx.org/en/docs/http/ngx_http_core_module.html#var_request_id この変数を利用することにより、Nginxコアだけでサービス間のトレースを簡単に行うことが可能になります。 シンプルな例 以下のように、$request_idをログに含めるだけでリクエスト毎のIDを記録できます。 http { log_format main '$remote_addr - $remote_user [$time_local] "$request" ' '$status $body_bytes_sent "$http_referer" ' '"$http_user_agent" "

利用しなくていいんだよ、&からは逃げて、全力で。 0. リファレンスとは何か リファレンス (references, 参照とも呼ばれる)はPHPの言語仕様の中では珍しく、説明がめんどくさい方の文法です。用語がいっぱい出てきてめんどくさいってことは、 必要に迫られなければ利用しなくて良い 文法だってことです。 そのめんどくささは、PHPマニュアルにおけるリファレンスの説明の説明が(2017年2月20日時点において)七章に亘ることからお察しください。 (もっとも分量は多くないといふか、むしろ超短いので読んでください) リファレンスとは? リファレンスが行うことは何ですか? リファレンスが行わないこと リファレンス渡し リファレンスの解除 リファレンスの適用範囲 本来であれば「マニュアル嫁」で済むはずで、わざわざQiitaなんかで再説明をするまでもないことなのですが、リファレンスにみなさま興味が

前回の続きです。 アイドルマスターシンデレラガールズの183人（2017/4現在）のプロフィールデータから、３つのタイプ（Cu,Co,Pa）の予測を行います。 取得した項目は、以下の16つ。183×16の行列です。 [タイプ,名前,年齢,誕生,星座,血液型,身長,体重,B,W,H,利き手,出身地,趣味,CV,実装日] ※タイプだけ項目名が入っていなかったため手動で追加しました。 この内、今回は以下の６つのデータを使用し、タイプの予測を行います。 [年齢,身長,体重,B,W,H] データの整形 取得したデータのtypeはすべてobjectとなっているため、数値型に変換します。 #!/usr/bin/env python # -*- coding: utf-8 -*- import csv import pandas as pd from pandas import DataFrame imp

嫁SIDE 2Fで作業をしていると、1Fから「パパ～！ご飯出来たよ～！」という嫁さんの叫び声が聞こえたり、聞こえなかったりするので、Amazon Dashボタンを使って、「パパご飯できた」ボタンを作ってみました。 押すとSlackに通知されて、ご飯を食べに行くわけです。 ALL-FREEボタンを。。。 「パパご飯できた」ボタン化！ 紙はインクジェット用の光沢写真用紙 ハサミとデザインナイフで切り抜きます 作成にあたっては以下を参考にさせていただきました。 Amazon Dash ButtonをただのIoTボタンとして使う http://qiita.com/jsoizo/items/3b8bba4160f41aef20f4 Amazon Dash Buttonを(正しくない方向で)使ってみた http://qiita.com/takustaqu/items/8539b33780c9675c8

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