Our Image Classification Experiment with Deep Learning | Mercari Engineering
Introduction Hi, my name is Takuma. I am a software and machine learning engineer at Mercari. Artificial Intelligence (AI) is a buzzword nowadays. We also often see terms, such as ‘Deep Learning‘ and ‘Deep Neural Networks‘ that are subsets of AI and machine learning. I would like to share our experiment on image classification using deep learning. Neural Networks Winter Deep learning is a variatio
ここまでBazel の利点をいくつか紹介しましたが、採用には懸念点もありました。次のセクションからは、どのような懸念があったか、それをどのように解決したのかを紹介します。 Xcode 統合 Bazel と Xcode の統合は Bazel の採用においてもっとも大きな懸念でした。 Xcode はビルドシステムと密結合したやや特殊な IDE なので、外部ビルドシステムとの統合が難しいのです。特に indexing や LLDB デバッグを正しく動作させるのは困難でした。 統合とはつまり、Bazel によるビルドのアウトプットを利用して Xcode がサポートする動作を再現することを意味していて、主に下記のような要件を満たす必要があります。 Bazel のビルド構成ファイル群を解析して Xcode プロジェクトを生成する Xcode ビルドの実行を抑制し、代わりに Bazel ビルドを実行する
Angular最新トピックとテクニックをng-japan代表のlacoさんに聞いてきた！（前編） 白石 俊平（HTML5 Experts.jp編集長） こんにちは、編集長の白石です。ぼくは、自社で運営と開発をしているTechFeedというエンジニア向けニュースアプリにAngular（とIonic）を採用していることもあり、Angularの行方には強く関心を抱いています。が、一方で、日々の忙しさにかまけて中々アップデートを追えていなかったりもします。 しかし、先月（2017年3月）にAngular 4.0がリリースされ、ng-conf（アメリカで開催されたAngularのカンファレンス）も終わった今は、Angularの最新情報を得るのに最適な時期！ そこで、ng-japanの代表であり、ng-confにも参加されていたlacoさんに、Angularの最新トピックとテクニックについてお聞きして
Bazelの特徴2：ビルドによってディレクトリを汚染しない Bazelでは、ソースコードやテストデータなどが格納されているディレクトリとは別のディレクトリでビルドやテストなどを行う仕組みになっている。makeコマンドでは意図的に設定や操作を行わない限りソースコードと生成物が同じディレクトリに混在する事態になることが多いが、Bazelではこういった問題が発生しない。 また、ビルドやテストはデフォルトではサンドボックス化された環境で行われるため、ビルドやテストがそれを実行しているシステムに影響を及ぼす可能性が最小限に抑えられている。 Bazelの特徴3：並列ビルド 大規模なソフトウェアではビルド対象が増えるため、ビルドにかかる時間も増える傾向がある。Bazelでは生成物どうしの依存性を自動的に把握し、可能な限り並列でビルドを実行する仕組みになっている。これにより、ビルド時間の短縮が期待できる。
開発言語と主要フレームワーク 95%以上Swiftで、特に古いテストやエンティティはObjective-Cが少しだけあります。新規のものは必ずSwiftで開発していて、残っているObjective-Cは少しずつ減らしています。 使っているSDKのバージョンに関しては、Xcode 12への移行対応が終わっており、近日中に12でビルドしたバイナリーを公開する予定です。 ほぼほぼUIKitですが、いくつかの画面でSwiftUIを使っています。最低対応のSDKはiOS 13なので、LazyStack系やLazyGrid系がまだ使えないのですが、設定周りの画面など、CollectionViewっぽくない画面を今年中にたくさん移行しようと思っています。移行自体は色々考えてプロトタイプを作るなどして、2020年のiOSDCで発表しました。また、UIKitはモダンなAPIを使うように心がけており、例えば、
Should you use PyTorch vs TensorFlow in 2023? This guide walks through the major pros and cons of PyTorch vs TensorFlow, and how you can pick the right framework. PyTorch and TensorFlow are far and away the two most popular Deep Learning frameworks today. The debate over which framework is superior is a longstanding point of contentious debate, with each camp having its share of fervent supporters
Bazelとモノレポ
モンスト事業本部SREグループの伊藤です。 普段はモンストに関するシステムの改善・運用を様々な面から行っています。 運用で使われる大小様々なツールを作ることもしばしばあるのですが、このリポジトリ運用が少し特徴的なので紹介をしたいと思います。 リポジトリ運用を一言で表せばモノレポで運用しています。 大小様々なツールがすべて一つのリポジトリに入っています。 ツールのソースコードに限らずKubernetesのマニフェストも同じリポジトリに入っていますしDockerfile等も入っています。（Dockerfileはそんなに多くはないです。Dockerfileを使わずに作成されているコンテナも多いので。これに関しては別の機会に） ツールを書く時に使われる頻出な処理はライブラリとして分割されているものもあります。そのライブラリも同じリポジトリに入っています。 このリポジトリは一切外のリポジトリに依存し
TensorFlowのチュートリアル(手書き画像データの画像認識)を元に、DeepLearningのネットワークデータを書き出し、Androidで手書き認識をするデモを作成してみました。 学習データの書き出し TensorFlowのチュートリアルの"MNIST For ML Beginners" のモデルを元にまずは、学習データをPythonにてPC上で書き出します。 "MNIST For ML Beginners" https://www.tensorflow.org/versions/master/tutorials/mnist/beginners/index.html ここのチュートリアルを元に、グラフデータ書き出し用にスクリプトを変更しました。 ネットワークデータを書き出すには、グラフ情報とVariableに入ったテンソルデータ(学習された内容)をいっしょにして書き出す必要があるの
Cloud FunctionsをGoで書く。またはFirebaseのためのマイクロサービスアーキテクチャ - laiso
Firebase Advent Calendar 2019 の17日目です。16日目はKesin11さんの「Firebase Emulator Suiteをフル活用してTDDで開発しよう」でした。 はじめに FirebaseプロジェクトでCloud Firestoreを利用する時は通常Node.jsによるCloud Functionsでトリガーとなる処理を記述します。その他には関連するAPIサーバー、WebアプリのフロントエンドのSSR、バックエンドの非同期処理など、多くの場面でCloud Functionsが活用されています。 この開発→デプロイサイクルをお手軽に行ってくれるのがfirebase-toolsというnpmモジュールです。JavaScriptでFunctionを実装し、firebase deployコマンドを実行するだけでFirebaseプロジェクト用のCloud Funct
Netflix
'); doc.close(); } if (!doc) throw Error('base not supported'); var baseTag = doc.createElement('base'); baseTag.href = base; doc.getElementsByTagName('head')[0].appendChild(baseTag); var anchor = doc.createElement('a'); anchor.href = url; return anchor.href; } finally { if (iframe) iframe.parentNode.removeChild(iframe); } }()); } // An inner object implementing URLUtils (either a native URL // ob
風呂敷を広げすぎてぐちゃぐちゃになったのでお蔵入りしていた記事なんですが、なんとなく納得できる形にまとまってきたので公開してみます！ 文字数が50000字弱になったので4記事の連載という形になっています。 この連載は、ここ1年くらいでCMakeに入門した筆者が勉強した内容をまとめたものです。 初回のこの記事では、CMakeとは何なのかと、CMakeの基本的な使い方について書いていきます。 全体の目次 基本的な使い方【今ここ】 プロジェクトの階層化 プロジェクトの設定 外部ライブラリを利用する この記事の目次 1. はじめに 1.1. この記事で書くこと 1.2. 必要な事前知識 2. CMakeについて 2.1. CMakeとは？ 2.2. CMakeのインストール 3. はじめてのCMakeプロジェクト 3.1. main.cppとCMakeLists.txtを書く 3.2. Confi
Knative Servingを用いて多数の開発環境APIを低コストで構築する - ZOZO TECH BLOG
はじめに こんにちは、技術本部ML・データ部MLOpsブロックの鹿山（@Ash_Kayamin）です。先日、20個の開発環境APIを用意し、各APIをリクエストに応じて動的に起動できる仕組みをKnative Servingを用いて構築しました。 この記事ではKnative Servingを利用した背景と、利用方法、はまりどころ、利用によって得られたコスト削減効果についてご紹介します。なお、今回はKubernetesクラスタのバージョンとの互換性の都合でKnativev1.3.1を利用しました。2022/9現在の最新バージョンはv1.7.1になりますのでご注意ください。 目次 はじめに 目次 課題：20個の異なる開発環境APIを低コストで提供したい 解決策：Knative Servingを用いて、リクエストに応じて動的にAPIサーバーを起動する仕組みを導入する Google Cloud上でA
Russ Cox 19 December 2018 What a year! 2018 was a great year for the Go ecosystem, with package management as one of our major focuses. In February, we started a community-wide discussion about how to integrate package management directly into the Go toolchain, and in August we delivered the first rough implementation of that feature, called Go modules, in Go 1.11. The migration to Go modules will
DeepMind の深層学習ライブラリ Sonnet を早速試してみた - ディープラーニングブログ
どうも，Ryobot です．夜桜を眺めながら酒を呑みたい季節になって参りました． 追記 4/19 DeepMind から Differentiable Neural Computers の Sonnet 実装 が公開されました．今後も PathNet や Elastic Weight Consolidation 等の実装が公開されることを期待したいですね． Sonnet は 4月 7日に公開されたばかりの DeepMind 謹製の深層学習ライブラリである．もともと DeepMind の社内で使用されていた TensorFlow のラッパーライブラリだったが，論文の実装を共有しやすくするためにオープンソースとして公開したようだ．Sonnet の最たる特徴として再利用可能なモジュールを複数回接続して計算グラフを構成することが挙げられる．Sonnet は TensorFlow Core の関数や
Jung Giuk2023-08-292019年 LINE に Build Engineerとして入社し、現在は「アプリプラットフォーム開発室」のディベロッパーエクスペリエンス開発チームに携わっていて LINE iOSアプリのビルド環境やコードクォリティの改善に取り組んでいる。 はじめに こんにちは、ディベロッパーエクスペリエンス開発チームのJungです。 この記事では２年以上 LINE iOSのビルドシステムとして運用したBazelをやめることにした背景についてご紹介します。 Bazel導入とこれまでのLINE iOS LINE iOS は200万行以上のソースコードと200以上のモジュールで構成される大規模プロジェクトです。 LINE iOSのソースコードとモジュールの数が増えて規模を拡大し続けるにつれて、ビルド/テストの遅延と DX(デベロッパーエクスペリエンス) の低下という避けら
March 2, 2016 Volume 14, issue 1 PDF Borg, Omega, and Kubernetes Lessons learned from three container-management systems over a decade Brendan Burns, Brian Grant, David Oppenheimer, Eric Brewer, and John Wilkes, Google Inc. Though widespread interest in software containers is a relatively recent phenomenon, at Google we have been managing Linux containers at scale for more than ten years and built
Goのテスト安定性向上のためにFlakyなテストを再試行する機能を導入する提案 - tomato3713’s blog
Go言語にFlakyなテストへのサポートを追加する提案が面白かったので紹介します。 概要 Flakyなテストとは、コードに変更がないにもかかわらずテストが成功したり失敗したりと不安定な実行結果になるテストのことです。 テスト結果は本来なら全て成功ならリリース可能、1つでも失敗すればバグがあるのでリリース不可のようにリリースの可否を判断するための情報です。 そのため、不安定なテストは書かないようにすることが大前提です。 しかし、実際にはflakyであるとわかっていても修正が難しかったり、修正するための時間がないのでそのまま残すという判断をすることもあります。 Flakyなテストは削除するというのも手ではありますが不安定であってもテストが無いよりはマシとして残すこともあると思います。 github.com この提案では、Flakyなテストを扱うための機能を追加するものです。 初めの提案内容は、
Netflix
'); doc.close(); } if (!doc) throw Error('base not supported'); var baseTag = doc.createElement('base'); baseTag.href = base; doc.getElementsByTagName('head')[0].appendChild(baseTag); var anchor = doc.createElement('a'); anchor.href = url; return anchor.href; } finally { if (iframe) iframe.parentNode.removeChild(iframe); } }()); } // An inner object implementing URLUtils (either a native URL // ob
人に説明するのがスムーズにできなさそうなので、理論武装というか順序立てて話すためにこの記事をまとめる。 対象 ブラウザから利用するマルチプラットフォーム向けウェブアプリケーションの開発 モバイルのネイティブアプリ開発は含まない（知らないので） 利用言語はJava, JavaScript/TypeScriptを想定するが、特に言語に依存しない認識 開発経験はあるが、情報や経験が少なくて「よりよいプロダクト開発」の理想が描けない方への一助として作成 TL;DR 状況やベストプラクティスが目まぐるしく変わる現代において、すぐに変化できるソフトウェアを保つこと・ヒトの手をできるだけ空けることが重要。 かつてIaaSがAPIを提供し環境管理の多くを自動化したように、各種サービスがAPIやWebhookを通じてDevelopment Workflowの多くを自動化してきている。 多くの視点や知見を活か
Git repositories on androidNameDescriptionaccessories/manifestassets/android-studio-ux-assetsBug: 32992167brillo/manifestcts_drno_filterParent project for CTS projects that requires Dr.No +2's.device/aaeon/upboarddevice/amlogic/yukawaBug: 122486287device/amlogic/yukawa-kernelBug: 122486287device/asus/debdevice/asus/flodevice/asus/flo-kerneldevice/asus/fugudevice/asus/fugu-kerneldevice/asus/grouper
Go言語を学び始める人へ ~2017冬~
この記事はAizu Advent Calendar 10日目の記事です。 最近、Go言語を最近始めた人からGo言語の周辺情報を教えて欲しいと言われました。 例えばWAFは何を使うか、ビルドするために何を使っているのか、情報を収集するのにどこを見ているのかというような情報です。 確かに新しい言語を始めるにあたってそのような情報は知っておきたいですが、意外とまとまってなかったりします。（すぐ陳腐化するからでしょうか） なので、ここでは自分なりの周辺情報をまとめておきます。もちろん、これがすべてで必ず正しいわけではありませんので、ご了承ください。 インストール方法Go言語では他の言語のように同じ環境に複数のバージョンをインストールするということはほとんどしません（Go言語自体の開発などを除く）。 そのため、そのままグローバルにインストールして大丈夫です。 macOS、Ubuntuでのインストール
はじめに gVisorとは、KubeCon2018でローンチが発表されたOpen Container Initiative (OCI)に準拠したコンテナのランタイム runsc を含むプロジェクトのこと。 OCIについては、この記事 にわかりやすくまとめてある。 https://blog.docker.com/2016/04/docker-engine-1-11-runc/ から引用 上記の記事にある図の runc というものが、今デフォルトで利用されているランタイムで、 runc の部分をよりセキュアに(ホストカーネルと隔離して)実行させようとしているのが runsc。 どうやってホストカーネルと隔離するかは、gVisorのREADMEにまとまっている。要するにDockerアプリケーションからのシステムコールをgVisorが一度受け取り、それをホストカーネルに渡す仕組みになっている。 h
turborepo で monorepo の差分ビルド
Turborepo vercel が開発した monorepo 環境のためのビルドツールです。vercel ですが next 非依存です。 turborepo が何を解決するか node.js に限らず monorepo 環境下では、それぞれの内部モジュールのビルドは個別に行われることが多いです。ここでいう内部モジュールは、 package.json を持つディレクトリ単位、と捉えてもらって結構です。 apps/ web/ package.json # => foo, bar を参照 packages/ foo/ package.json dist/ index.js bar/ package.json # => foo を参照 dist/ index.js package.json このビルドが、(ビルドしない素の js と比べて)面倒な問題を引き起こします。 更新時にビルドを忘れて古い
Bazelの特徴2：ビルドによってディレクトリを汚染しない Bazelでは、ソースコードやテストデータなどが格納されているディレクトリとは別のディレクトリでビルドやテストなどを行う仕組みになっている。makeコマンドでは意図的に設定や操作を行わない限りソースコードと生成物が同じディレクトリに混在する事態になることが多いが、Bazelではこういった問題が発生しない。 また、ビルドやテストはデフォルトではサンドボックス化された環境で行われるため、ビルドやテストがそれを実行しているシステムに影響を及ぼす可能性が最小限に抑えられている。 Bazelの特徴3：並列ビルド 大規模なソフトウェアではビルド対象が増えるため、ビルドにかかる時間も増える傾向がある。Bazelでは生成物どうしの依存性を自動的に把握し、可能な限り並列でビルドを実行する仕組みになっている。これにより、ビルド時間の短縮が期待できる。
自分は今は社内 Monorepo での作業がメインで、たまに Android とかさわってる。 レポジトリの壁というか、レポジトリの違いを含むインフラの違いの壁は、組織の壁より厚い。 この話は前にも書いたことがある。 だから向井さんの言っていることはよくわかる。 Monorepo が強制するインフラ共通化が押し下げた組織の壁の低さを、しばしば実感する。 たとえば最近だと、仕事でやっている Android アプリの APK のビルド方法が変わった際にビルドツールチェインにあるマイナーなバグにあたってしまい、 そのツールのバグを直したことがあった。そんなツールがあるとは知らなかったというくらい降って湧いた話。 でもビルドシステムが統一されているおかげでコードをビルドするのもテストするのも簡単で、 IDE も普段の設定そのまま。コードレビューもいつもと同じ。 はじめてのコードベース、レビュー相手
steps to phantasien
August 2022 Moved March 2022 Moving WSL2 「ハイブリッド勤務」にむけて Too Obvious To Innovate January 2022 Off Notes December 2021 2021 Outside Work November 2021 Restarting Extra Curricular Book: The Second Shift Webcam 横書き日記 - 完了 Publishing Blog Draft Behind oauth2-proxy on Cloud Run 横書き日記 Revisiting Writing Office HP C1030 Chromebook Alder Lake and The End Of Linux Laptop October 2021 Cycle Laptops Parties A
水谷です。 先週、Googleが機械学習システム「TensorFlow」をオープンソースで公開しました。 曖昧な言葉や口語を的確に理解して検索結果をだすRankBrain、最近Inboxアプリに搭載された自動応答機能や、スマートフォンのカメラで看板の文字などを写して、その文字を翻訳してくれるGoogle翻訳アプリも、このTensorFlowをベースに開発されているようです。 詳しくはこちらなどを参照してください。 http://googledevjp.blogspot.jp/2015/11/tensorflow-google.html http://www.publickey1.jp/blog/15/googletensorflow.html http://www.itmedia.co.jp/news/articles/1511/10/news055.html ここでは、手っ取り早くアプリ
SLOのすすめ
2. 自己紹介 名前 澤田 武男 Twitter @SawadaTakeo 2013 - 2014 Ads Backend SRE @Google HQ Display Ads Backend など 2014 - 2017 Source SRE @ Google NY Piper (Google のプロプライエタリなソースコン トロールシステム) Git (Android, Chrome, code.google.com, Cloud Source Repositories) ローンチ調整エンジニア (LCE, SRE 本 27 章) SLO の策定、モニタリング、障害対応、 PRR(SRE 本 32 章) など 2017 - Build SRE @ Dropbox Changes (内製の CI ツール) Bazel クラスタ
1 ：風吹けば名無し ：2012/12/13(木) 14:35:03.81 ID:b/o+v42J 2 ：風吹けば名無し ：2012/12/13(木) 14:35:56.21 ID:rx89MoCZ 料理はもっと良さそうだけど 285 ：風吹けば名無し ：2012/12/13(木) 15:13:00.00 ID:qIhdyAYj >>2 料理は受けそうで受けない残念ながら当然の結果といえる 3 ：風吹けば名無し ：2012/12/13(木) 14:36:14.32 ID:pGUAHtGk 写真はおたくだろ？ 4 ：風吹けば名無し ：2012/12/13(木) 14:36:23.29 ID:bi/LKfZL なんでや！登山もスポーツやろ！ 6 ：風吹けば名無し ：2012/12/13(木) 14:36:42.62 ID:SaDM/OP3 自転車とかいうぐう凡 5 ：風吹けば名無し
Turborepo is a high-performance build system for JavaScript and TypeScript codebases. We're reimagining build systems, taking inspiration from tools like Buck and Bazel, to make them accessible for everyone. At the heart of Turborepo is a very simple idea: never do the same work twice. We accomplish this through incremental builds, parallel execution, and Remote Caching. As usage has grown and pro
Raspberry Pi4 で TensorFlow Lite GPU Delegate (OpenGLES) を試す - Qiita
0. 更新履歴 (2020/06/27) Tensorflow r2.3用に記述内容を全面修正しました。 1. はじめに ラズパイ４の OpenGLES はリリース当初 ver 3.0 でしたが、2020/1月に ver 3.1 にアップデートされました。 OpenGLES 3.1 では、ComputeShader が使えるようになり、GPGPUプログラミングしやすくなります。超うれしいアップデートです。 一方 TensorFlow Lite には、推論にかかる演算処理を CPUからGPU にオフロードする GPU Delegate 機能があります。 この GPU Delegate は、さらに V1(OpenGLES) と V2(OpenCL) とがあり、V1 は OpenGLES 3.1 が使える環境であれば動かすことができます。V2は OpenCL が使える環境での動作を想定しています
models/syntaxnet at master · tensorflow/models · GitHub
The first part of this tutorial describes how to install the necessary tools and use the already trained models provided in this release. In the second part of the tutorial we provide more background about the models, as well as instructions for training models on other datasets. Contents Installation Getting Started Parsing from Standard Input Annotating a Corpus Configuring the Python Scripts Ne
R&D チームの奥村（@izariuo440）です。EfficientDet がブラウザで動いているのを見たことがなかったので、やってみました。以下はブラウザで実行中の様子1です。 結果として、EfficientDet-D0 で 256x256 の解像度の画像を TensorFlow Lite で推論させると、ネイティブで 20 FPS、WebAssembly SIMD support ありの Chrome で 7 FPS 程度の速度性能を確認できました。 Case XNNPACK XNNPACK スレッド数 FPS A OFF N/A 4 B ON 1 15 C ON 4 20 測定環境は MacBook Pro (Retina, 15-inch, Mid 2015) の 2.5 GHz です。 背景と動機 周辺知識 EfficentDet EfficientDet の精度 Effici
It's Time to Forget About Docker | Martin Heinz | Personal Website & Blog
In the ancient times of containers (really more like 4 years ago) Docker was the only player in the container game. That's not the case anymore though and Docker is not the only, but rather just another container engine on the landscape. Docker allows us to build, run, pull, push or inspect container images, but for each of these tasks there are other alternative tools, which might just do better
おなかいっぱいすぎる・・・DockerCon SF 18に行ってきた - Mitsuyuki.Shiiba
ということでDockerCon本編のログ。 前日までのお話はここ。 bufferings.hatenablog.com 最初に感想 あくまでも僕の感想だけど、こんな風に感じた： Dockerを取り巻くエコシステムの活気がすごい でも、その中心はDockerからKubernetesに移ってるように感じた そんな中で、Microsoftが存在感を出していて強いなぁって思った そして、また2,3年でKubernetesの次がやってるくるんだろうなって想像した Dockerを取り巻くエコシステムの活気がすごい 前回の記事でも触れたけど、Dockerを取り巻くエコシステムとして、モニタリング、プラットフォーム、セキュリティ、MLそれとIoTなどに取り組んでいる会社がほんとに沢山あって活気がすごい。 でも、その中心はDockerからKubernetesに移ってるように感じた 何年か前まではDocker
Compression Dictionary Transport (Shared Brotli) によるコンテンツ圧縮の最適化 | blog.jxck.io
Intro Chrome で Compression Dictionary Transport の Experiment が行われている。 Intent to Experiment: Compression dictionary transport with Shared Brotli https://groups.google.com/a/chromium.org/g/blink-dev/c/NgH-BeYO72E この提案の仕様および本サイトへの適用について解説する。 brotli の Dictionary 圧縮方式は、基本的に「同じ値が出てきたら、それらをまとめて小さく表現する」という方式が中心となる。 # 繰り返しを数値で表現する場合 from: aaaabbbbb to: a4b5 この方式は、対象としたデータの中で、如何に効率よく「同じ値」を見つけるかが肝となる。例えば以下の例
TensorFlow研究会が開催されました!! 先日、渋谷ヒカリエの株式会社ディー・エヌ・エー様にて、株式会社ビズリーチ様主催のTensorFlow研究会が開催されました。 私も予習の上でブログまとめ枠として参加いたしまして、本記事はそのまとめになります。 思いついたアルゴリズムをTensorFlowで実装してみた話 (株式会社トップゲート 藤原氏) [slideshare id=56050548&doc=tf-study-151211114019] TensorFlowで面白そうだと思って試してみた ステップサイズの設定が面倒 確率的勾配降下法 ステップサイズが大きいと全てがNanになる 近接点法だと w が行方不明にならなそう PassiveAggressiveに正則化項がついた感じ ステップサイズを大きくすると勾配降下法だとウェイトが飛んで行く 近接点法だと割りと収束する まとめ ニ
RaspberryPi3用のTensorflow v2.0.0-alpha (Tensorflow Lite v1.0) のインストーラ(Wheel)を速攻でネイティブビルド錬成した - Qiita
RaspberryPi3用のTensorflow v2.0.0-alpha (Tensorflow Lite v1.0) のインストーラ(Wheel)を速攻でネイティブビルド錬成したPythonRaspberryPiwheelTensorFlowTensorflowLite Bazel_bin Tensorflow-bin １．はじめに 公開されて３日目の Tensorflow v2.0.0-alpha を RaspberryPi3 でネイティブビルドして Wheelファイル を自力生成しました。 だんだんこのビルド作業に小慣れてきて、ノーミスで一発成功しました。 どうやら 公式のリポジトリ よりも先にビルドに成功してしまったようです。。。 アホすぎて誰も真似しないと思いますが念の為お伝えしておきますと、 生成完了まで ４１時間３０分 掛かります。 狂ってる、とか冷たいことを言わないでくだ
元記事: Awesome Java Awesome List in Qiita Awesome Ruby Awesome JavaScript Awesome Node.js Awesome Python Awesome Go Awesome Selenium Awesome Appium Bean マッピング Bean マッピングを容易にするフレームワーク dOOv - 型安全なドメインモデルの検証とマッピングのための API を提供します. アノテーション, コード生成, および型安全 DSL を使用して, Bean の検証とマッピングを迅速かつ簡単にします. Dozer - アノテーション, API または XML 設定を使用して, あるオブジェクトから別のオブジェクトへデータをコピーするマッパー. JMapper - 高速コードマッピングのためにバイトコード操作を使用. アノテーシ
LINE株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。 LINEヤフー Tech Blog LINEの技術組織が取り組んでいる・今後取り組む未解決課題を深堀りするインタビューシリーズ「Unresolved Tech Issue」をスタートします。今回のテーマは「LINEアプリのさらなるモバイル体験向上に向けた改善・開発」です。 数億人のユーザーがコミュニケーションに利用するLINEアプリのクライアント開発組織では、2021年にモバイルエクスペリエンス開発室を立ち上げました。この開発室では、iOS/Androidの新機能対応やLINEアプリを複数のデバイスで利用する際の体験向上、モバイルプラットフォーム特有のビルド課題の改善などに挑んでいます。 モバイルエクスペリエンス開発室の活動の詳細について、室長の早石明浩と副室長
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
メルカリiOSアプリのBazelを使った高速・高信頼性ビルド | メルカリエンジニアリング
Angular最新トピックとテクニックをng-japan代表のlacoさんに聞いてきた！（前編）
Googleが開発する最新ビルドツール「Bazel」を使ってみよう | さくらのナレッジ
minne iOSの2021年の開発環境 - Pepabo Tech Portal
PyTorch vs TensorFlow in 2023
TensorFlow: Pythonで学習したデータをAndroidで実行 - Qiita
勝手に作るCMake入門 その1 基本的な使い方 - かみのメモ
Go Modules in 2019 - The Go Programming Language
LINEはなぜBazelを使わないことにしたのか？
Borg, Omega, and Kubernetes - ACM Queue
考察：Reactive Workflowが生まれた背景とその狙い - Kengo's blog
android Git repositories - Git at Google
gVisorを使ってdockerコンテナをより安全に利用する - Qiita
Googleが開発する最新ビルドツール「Bazel」を使ってみよう | さくらのナレッジ
モノレポ好きじゃない / morrita - Message Passing
TensorFlowをアプリで使ってみる | GuildWorks Blog
女子受けする趣味一覧ンゴｗｗｗｗｗｗｗｗｗｗｗ - ゴールデンタイムズ
Why Turborepo is migrating from Go to Rust – Vercel
物体検出器 EfficientDet をブラウザで高速推論 - OPTiM TECH BLOG
TensorFlow研究会が開催されました!! | DevelopersIO
Awesome Java : 素晴しい Java フレームワーク・ライブラリ・ソフトウェアの数々 - Qiita
LINEアプリのさらなる体験向上のために。モバイルエクスペリエンス開発室が目指すビジョン