環境 Windows11 Home Insider Preview ビルド 22526 WSL2 Kernel Version 5.10.16 Ubuntu 20.04 問題 WSL2でDNSの名前解決ができなくなる場合がある。 下記に当てはまる場合、WindowsのファイアウォールにWSL2からの通信を許可するルールを追加することにより、解決する場合がある。 下図の「Win32仮想イーサーインターフェース」に対して、Winからは名前問い合わせが成功し、WSL2からは失敗する場合。 図は ASCII.jp：Windows Subsystem for Linux 2におけるネットワークの改良 (1/2) より拝借。 本手順では、/etc/wsl.confの[network]に generateResolvConf = false を設定したり、/etc/resolv.confを書き換えること

私が2005年10月からスタンフォードに滞在していることもあって、松尾ぐみでは、この１年、国際会議への論文投稿、 国際コミュニティへの情報発信に力を入れています。たくさんの学生や研究者の方との共同研究・共同執筆を通じて、 この１年でたくさんの国際会議に論文を通すことができました。 その経験を通じて、英語論文における一般的な問題点が明らかになってきました。 ここでは、そういった知見を形式知化し整理しています。 日本から投稿される情報系（特に人工知能、Ｗｅｂ等の分野です）の論文は、主要な国際会議にほとんど通りません。研究者人口や研究費の額を考えると、国際コミュニティにおける日本人のプレゼンスは非常に低いです。この一番の理由は、論文の完成度の問題です。私の知る限り、ほとんどの論文が十分に完成度が上がらないまま投稿され、その結果として不採択になっています。一般的な国際会議では通ることがあっても、グ

Beamer マニュアル はじめに ドキュメントクラスとフレーム Beamer作成手順は、LaTeX文書とほぼ同じ。 ドキュメントクラス TeXファイルの1行目に書く。 \documentclass[オプション]{document class} まず、document classはbeamerを指定する。 日本語を扱う場合は、オプションにdvipdfmを書いておく。 内容は、\begin{document}〜\end{document}に書く。 \begin{document} %内容 \end{document} フレーム スライド一枚ごとに、\begin{frame}〜\end{frame}で囲む。 \begin{frame}<オーバーレイ>[デフォルトオーバーレイ][オプション]{タイトル}{サブタイトル} %スライドの内容 \end{frame} タイトル、サブタイトルはスライドの

実用性の高いブラックボックス最適化手法 CMA-ES(共分散行列適応進化戦略) のpython実装例を簡単なアルゴリズム解説とともに紹介します。 はじめに アルゴリズム概要 0. 入力次元数に依存する定数の算出とパラメータ初期化 1. 多変量正規分布に従う個体サンプリング 2. 正規分布中心mの更新 3. ステップサイズσの更新 4. 共分散行列Cの更新 実装の確認 はじめに CMA-ESは連続最適化問題におけるブラックボックス最適化手法のひとつです。ブラックボックス最適化、すなわち最適化したい関数の中身がまったくわからなくてもOKなので極論どんな問題にでも適用可能で、確率的な探索を行うアルゴリズムであることから観測ノイズに強い上に、調整の難しいハイパーパラメータが存在しないので現実の問題に適用しやすい優秀な手法です。 本記事ではCMA-ESの考案者であるHansen氏らが2016年に執筆

ANSIエスケープシーケンスを駆使すれば、 こんな感じでターミナルの出力に色を付けたり 出力した内容を書き換えたりできる。 [PHP]ゲーム作成初心者がPHPでテト〇ス風ゲームを作ってみた 上記記事にて出力されるブロックの色を変更したり、出力内容を上書きしたりするのに使った。 記法 指定がない限り、太字の部分が可変となる箇所。 カーソル移動 記法 内容

はじめに こんにちは。そろそろ就職活動継続が辛くなってきた来夏です。正直早くtwitter就活一本に切り替えたい。twitterで送られてくる求人が上質すぎて（給料めっちゃ高いor給料は普通だけどめちゃくちゃ自由な働き方ができる）、正直就活サイトで企業漁るのがバカらしくなってきた。 この夏はインターン行ってきます。すでにインターン内定取ってるE社、確定しかかってるI社研究所、課題提出したばっかりでまだまだこれからって感じだけど一番行きたいP社、果たしてどうなるのやら。 それはさておき、今回は私の十八番、ニューラルネットワークの積分表現理論について解説します。昨年10月、機械学習は勉強し始めたばっかりで、なかなか感覚がつかめなかったところにブレイクスルーを起こしてくれた分野で、現在この理論を用いたアルゴリズムの改良について論文を執筆しているところです。 まあ論文に書くような部分についてはまだ

概要 園田翔『深層ニューラルネットの積分表現理論』[3]という論文の中で「(浅い)ニューラルネットワークがしていることは 双対リッジレット変換 (の離散化)である」ということが解説されています． この論文では入力を一般の $m$ 次元にとり，活性化関数として ReLU やシグモイド関数を含む超関数のクラスに対して結果を与えています．が，そのぶんとても難しいです． 1 そういうわけで，本稿では上の論文で提案されている「オラクルサンプリング」という手法を 活性化関数として Gauss 核 $\eta(x) = \exp(-x^2/2)$ (急減少関数)を用い， $m = 1$ 次元の場合に限って 解説し，さらにその数値実験をしようと思います． (本稿を読む前に園田先生のスライド[2]に目を通しておくことをおすすめします．) 使ったもの Python 3.6.0 Chainer v3.1.0 O

[dein.vim] Unite.vimを使う時の, vimproc plugin is not installed の対処法 ~ 0から始めるvim ~Vimvimrcvimprocdein.vim

vim歴6年くらいの私が使っているvimのpluginの中から、無いと私が死ぬプラグインをいくつかピックアップして紹介したいと思います。 (更新した結果10選じゃなくなったけどまあいいや) ちなみに.vimrcファイルはgithubで公開しています。 更新履歴 2020/06/13 coc.nvimを追加 2019/02/03 vim-operator-replaceを追加 2018/10/19 vim-closetag, vim-prettierを追加、vim-tablemodeにgifを追加 動作環境 Linux MInt 18.2 NVIM v0.3.2-dev プラグイン管理 プラグイン管理はShougo/dein.vimで行っています。 dein.vimは従来のNeoBundle等と比べ高速だったり、プラグインをtoml形式で別ファイルに記述できます。(私は.vimrc内に書いて

こんなものを作ります とても一般的な音楽プレーヤーの雛形を作ります。 また、専用の処理を実装しなくてもWearやAutoに対応できる方法を取ります。 Androidの音楽プレイヤーに関するの日本語記事って皆無ですよね。 色々苦労してなんとか実装できたので記事にしました。 長くなりますが、よければお付き合いください。 実装だけ見たい方は、いざ実装まで飛ばしてください。 Android上で動く音楽プレーヤーのあるべき姿 PCで動く音楽プレイヤーを作る時は、MediaPlayer等のインスタンスの各種メソッドを Formに貼り付けたボタンのクリックに応じて呼び出すのが主な作り方だったと思います。 しかし、近年のAndroidやiOSなどのモバイルプラットフォームはスマートフォンにとどまらず 腕時計やカーオーディオ、テレビなどの様々な機器に組み込まれるようになりました。 するとスマホとリンクして、

クラウドサービス本部 分散システム技術課 開発エンジニア 分散システムを活用したスケーラビリティの高いWebサービスの設計・開発や機械学習、IoTの調査・サービス化に従事してます。 分散システム技術課の藤本です。 以前に書いた記事と同様、今回も業務とあまり関係ないことを書いてしまいました。もちろん仕事もちゃんとしていますので誤解なきようよろしくお願いいたします。 この記事は Nerd FontsでPowerlineなどのフォントのズレを解消するFont Mergerの紹介 ターミナルでアイコンフォントを使うメリット Font Mergerを作る過程で得られたFontForgeスクリプトの知見 について書いています。少し長くなってしまったので適当に読み飛ばしてください。 和文フォントとアイコンフォントを綺麗に合成する方法 これは欧文フォントにも言えることですが、全てのフォントは同じ大きさとい

散布図を書くにはscatterを使う。 以下にいくつかの例を示す。 単純な散布図 下記は最も単純な散布図の例。 import numpy as np import matplotlib.pyplot as plt # generate data x = np.random.rand(100) y = np.random.rand(100) fig = plt.figure() ax = fig.add_subplot(1,1,1) ax.scatter(x,y) ax.set_title('first scatter plot') ax.set_xlabel('x') ax.set_ylabel('y') fig.show() import numpy as np import matplotlib.pyplot as plt # generate data x1 = np.random.

TensorFlow Python API r1.3 によると、tf.Session クラスの run メソッドにはオプション引数として feed_dict を持っています。これは辞書型の引数で、その役割は下のように説明されています。 The optional feed_dict argument allows the caller to override the value of tensors in the graph. Each key in feed_dict can be one of the following types: If the key is a tf.Tensor, the value may be a Python scalar, string, list, or numpy ndarray that can be converted to the same dt