Pipenvでよく出喰わす問題¶ Pipenvはボランティアにより常に改善されていますが、現時点でも非常に幼いリソースの限られているプロジェクトで、対処する必要のあるゆがみもあります。 皆の援助が必要なのです (あなたの援助もです!)。 ここではPipenvを使っている人達が抱くことの多い疑問について解説します。 以下に書かれていることをよく読んで、あなたが遭遇している問題を解決できるかどうかを調べてください。
Pipenvでよく出喰わす問題¶ Pipenvはボランティアにより常に改善されていますが、現時点でも非常に幼いリソースの限られているプロジェクトで、対処する必要のあるゆがみもあります。 皆の援助が必要なのです (あなたの援助もです!)。 ここではPipenvを使っている人達が抱くことの多い疑問について解説します。 以下に書かれていることをよく読んで、あなたが遭遇している問題を解決できるかどうかを調べてください。
はじめに 事前準備 実装の概要 環境音合成実験 実験条件 実験結果 実装の舞台裏など おわりに はじめに 以前、Onoma-to-Waveを実装した記事を書いたことがあった: tam5917.hatenablog.com Onoma-to-Waveとはオノマトペ(文字列)を環境音(スペクトログラム)に変換するモデルである。RNNに基づくencoderとdecoderから構成されており、いわゆるSequence-to-Sequence(Seq2Seq)の構造を持つ。 それらをTransformerによって置き換えたモデルが、Onoma-to-Waveの著者らによって実はすでに提案されている。 岡本 悠希,井本 桂右,高道 慎之介,福森 隆寛,山下 洋一,"Transformerを用いたオノマトペからの環境音合成," 日本音響学会2021年秋季研究発表会,pp. 943-946,2021. 上
OpenCVを使って、画像のHSV色空間における色相 Hue を回転させて色を変化させてみる。つまり、下記の図のような出力を得たい。 RGBからHSVへの変換 ja.wikipedia.org 上記のサイトに詳しく書いてあるけど、HSVは色相(Hue)、彩度(Saturation・Chroma)、明度(Value・Brightness)の三つの成分からなる色空間。 今回やることは RGBをHSVに変換する H(Hue)を回転させる RGBに戻す という単純な処理。まずはRGBからHSVへの変換。 import numpy as np import cv2 rgb = rgb.astype(np.uint8) hsv = cv2.cvtColor(rgb, cv2.COLOR_RGB2HSV) cv2.cvtColorは入力されたrgbの型がuint8かfloat32かで挙動が変化する。今回
Python & OpenCVでやってみました OpenCVでカメラ画像を取り込み、顔検出してその場所と大きさに調整して他の画像を載せた動画を作ります。 基本的なところは下の参考サイト組み合わせです。 まず、動画画像から顔を抽出するには、OpenCVで行います。 GitHubから好きなモデルを選択しますが、ここでは正面を向いた顔の抽出を行いました。 https://github.com/opencv/opencv/tree/master/data/haarcascades cascade_path = "haarcascade_frontalface_default.xml" # カスケード分類器の特徴量を取得する cascade = cv2.CascadeClassifier(cascade_path) カメラで動画を取得します。 引数は複数のカメラ(USBカメラなど)があるときは1とか
環境 MacOS : Catalina - 10.15.7 Python : Python 3.6.8 Selenium : 3.141.0 概要 業務で、競合他社のGoogle検索順位を調べるバッチ作成をしていたときのお話。 数個の「キーワード」をループでそれぞれ検索して、指定する他社のドメインが出てくるかをチェックするようなバッチだった。 以下、ソースコードに似たコード例を載せる。 from selenium import webdriver import chromedriver_binary from selenium.webdriver.chrome.options import Options # Chromeに接続して引数で検索する def search(driver, word): driver.get("https://www.google.com") search =
化合物の性質を表す指標として様々な「記述子」が開発されてきたことを「RDKitにおける記述子の扱い方をリピンスキーの法則を通して学ぶ」という記事で説明しました.今回とりあげる極性表面積(PSA)も,分子記述子の1つになります. この記事ではPSAの定義と計算法から,トロポジカルPSAというPSAを低コスト計算で推定したものを紹介します.PSAとTPSAはほとんど同じものとして扱われがちですが,その歴史的背景や特徴を知っておくことで,実際に運用していく際に役立つ場面があると思います. トポロジカル極性表面積のオリジナル文献は次の論文になります.参考にしてください.「Fast Calculation of Molecular Polar Surface Area as a Sum of Fragment-Based Contributions and Its Application to th
先日の記事で、下記文献を例に3次元構造の指標であるRadius of gyrationについて取り上げました。 論文1) Solution Conformations Shed Light on PROTAC Cell Permeability Yoseph Atilaw, Vasanthanathan Poongavanam, Caroline Svensson Nilsson, Duy Nguyen, Anja Giese, Daniel Meibom, Mate Erdelyi, and Jan Kihlberg ACS Medicinal Chemistry Letters Article ASAP DOI: 10.1021/acsmedchemlett.0c00556 https://pubs.acs.org/doi/10.1021/acsmedchemlett.0c00556
x-meansとは,k-meansの繰り返しとBICによるクラスターの分割(or処理停止)基準によって,最適なクラスター数を決定するアルゴリズムです. この記事ではpyclusteringというライブラリでx-meansを使う方法を紹介します. k-means系まとめ k-means:クラスターの重心からの二乗誤差を最小化. k-medoids:クラスターのmedoid(クラスターに属する点で,非類似度の総和が最小となる点)からの非類似度の総和が最小となるようにEMの手続きを行う. x-means:BICに基づいてクラスタの分割を制御. g-menas:データが正規分布に基づくと仮定して,アンダーソン・ダリング検定によってクラスタの分割を制御. gx-means:上二つの拡張. etc(pyclusteringのreadme参照.色々ある) クラスター数の判定 データを人間が目で見てすぐに
scikit-learn(サイキット・ラーン、旧称: scikits.learn)は、Pythonのオープンソース機械学習ライブラリ[2]である。サポートベクターマシン、ランダムフォレスト、勾配ブースティング、k近傍法、DBSCANなどを含む様々な分類、回帰、クラスタリングアルゴリズムを備えており、Pythonの数値計算ライブラリのNumPyとSciPyとやり取りするよう設計されている。 教師あり学習と教師なし学習に対応している。ただし、強化学習・深層学習・グラフィカルモデル(隠れマルコフモデルなど)・シーケンス予測には対応しない方針となっている[3]。 概要[編集] Scikit-learnプロジェクトは David Cournapeau によるGoogle Summer of Codeプロジェクト、scikits.learnとして始まった。名前は「Scikit」 (SciPy Tool
概要 この記事ではpythonを使ってX-means法を実装していきます。ライブラリはpyclusteringを用いています。 X-means法とは X-means法とはクラスタリング手法の一つです。k-means法の改良版であり、その特徴は初めにクラスタ数を決める必要がないということです。なのでクラスタ数が未知の場合において、最適なクラス多数を探し出しクラスタリングをしてくれます。 実装 それでは実装に移ります。今回は 1次元データ 2次元データ の2種類のデータに対して実装していきます。 1次元データ はじめにライブラリをインポートします。 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import cluster, preprocessing from pyclu
home archives python-seek-binary-file Pythonでバイナリファイルをシークする【ランダムアクセス】 作成日: 2021-04-20更新日: 2023-12-24 カテゴリ: Python Pythonでバイナリファイルをシークする Pythonではバイナリファイルをシークすることができます。 シークとは、ファイル内の読み込み/書き込み位置(ストリーム位置)を移動させることを言います。 バイナリファイルのシークはたとえば↓のようにします。 import os with open('file.dat', 'rb') as fin: fin.seek(4, os.SEEK_SET) # 先頭から4バイト目の位置に移動する data = fin.read() # 4バイト目以降のデータをすべて読み込む print(data) 具体的に↓を解説していきます。
はじめに Pythonは本当に何でもできるので,いろいろな使い方があると思うのですが,僕がどのように使っているのか紹介してみたいと思います.よくつかうパッケージはnumpyです.数値計算のお伴です.これがないと本当に困ります.あとはmatplotlib,scipyです.それからダイアログの表示のためにTkinterを使っています.ここらへんは使っている人も割と多いと思うので,情報も集まりやすいと思います. 最後に侵略型パーコレーションクラスターを作成し,そのフラクタル次元を計算するプログラムを丸々載せたいと思います.デフォルトではnumpyとscipy,matplotlibは入っていなかったと思うので,まずそれらを入れておく必要があります. 研究室のノートパソコンに急遽いれることになったとき, windows7 - Python, SciPy, matplotlibのインストール(Wind
投稿日:2021/09/18 はじめに 小田垣先生著作の『つながりの物理学ーパーコレーション理論と複雑ネットワーク』の付録ページのクラスター形成のアルゴリズムを読んで実際に作ってみました。Numpyで基本的に組むため、本とは少し定義が異なります。Pythonで組んだコードを探してみた所、Numpyなどの基本ライブラリで構成された文献が見当たらなかったので参考になれば幸いです。 クラスターとは $N\times N$の正方格子を考えます。この正方格子上の格子点を$(i,j)\quad (i,j=0,\dots,N-1)$で表し、占有確率$p$のとき、$p\times N^2$個の格子点がランダムに占有されているとします。このとき、ある占有されている格子点$(k,l)$があり、$(k\pm 1,l)$、$(k,l\pm 1)$のいずれかが占有されているとき、その占有されている格子と$(k,l)
タンパク質を表示する ファイルを開く File → Open からpdbファイルを開く リボン図を表示する 最初の状態では水分子を含めたすべての分子が表示されており、タンパク質はlines表示となっています。そこで、一度すべて非表示にしたうえでリボン図を表示します。 オブジェクトパネルより 1.Hide → all 2.Show → cartoon 非タンパク質分子を表示する cartoon表示ではタンパク質分子しか表示されないので、非タンパク質分子を選択して別途表示します。 External GUIより 1.Display → Sequence 2.目的の分子をクリックして反転 3.(sele)の Show → sticks セッションの保存、画像の保存 セッションの保存 External GUIより 1.File → Save session as 2.ファイルの種類PyMOL Ses
概要 最近研究でNetworkXを使い出したので自分用のメモとしてよく使いそうなモジュールを書いていきます. Pythonを使い出して間もないので,スマートに書けてないと思います.あと言葉使いが間違ってる部分があるかもしれない(メソッドとかパッケージとか). NetworkXパッケージの導入はpipでできます.pip install networkxでOKです. Reference : http://networkx.readthedocs.io/en/stable/ NetworkXパッケージのインポート まずNetworkXパッケージをインポートします.NetworkXのドキュメントではnxとして短縮名をつけています.
import networkx as nx G = nx.DiGraph() # 有向グラフ (Directed Graph) # 頂点の追加 G.add_node(1) G.add_nodes_from([3, 4, 5]) # 辺の追加 (頂点も必要に応じて追加されます) G.add_edge(1, 2) G.add_edges_from([(1, 3), (2, 5), (3, 4), (4, 5)]) # 辺の削除 G.remove_edge(3, 4) G.remove_edges_from([(1, 3), (2, 5)]) # 頂点の削除 (削除された頂点に接続されている辺も削除されます) G.remove_node(5) G.remove_nodes_from([3, 4]) # 指定したパス上の頂点と辺を追加 nx.add_path(G, [1, 2, 3, 4, 5])
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
処理を実行中です
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