Pythonのインタラクティブシェルで打ったコマンドをファイルに保存 - minus9d's diary
普通のインタラクティブシェルの場合 以下の2行を打ち込めばOKです。 >>> import readline >>> readline.write_history_file('history.py') ↑の例の場合、現在のディレクトリにhistory.pyという名前で保存されます。現在のディレクトリを知りたい場合は以下で調べましょう。 >>> import os >>> print(os.getcwd()) IPythonの場合 IPythonの場合は%saveコマンドが使えます。例えば In [(数字)]: %save 'history.py' 2-5 7 11 と書くと、自分の打った2, 3, 4, 5, 7, 11行目のコマンドがhistory.pyに保存されます。 コマンド履歴を確認したいときは以下のコマンドが使えます。 In [(数字)]: %history -n 参考 shel
こんにちは。初めまして。レッジのインターン生の大熊です。 レッジでは、ダッシュボードの作成や工場設備の異常検知など、データ利活用に関わる業務に取り組んでいます。 今回の記事では、最近少し話題になったマルチエージェントシミュレーションについて書いていきます。 コロナの影響から、感染症の拡大に関する様々な研究を目にする機会が増えました。その中でマルチエージェントシミュレーションという手法を利用して感染症拡大の様子を再現しているものが散見され、気になって調べてみました。 一般的な予測分析の場合、マクロデータをダイレクトに予測します。その一方でマルチエージェントベースの予測の場合、ミクロデータの相互作用からマクロデータを表します。現在は交通分野や防災分野での活用が進んでいますが、ビジネスサイドにおける活用も今後期待できそうな手法です。 本稿では、「マルチエージェントって言葉はなんとなく聞いたことが
中央値を線形時間で選択するアルゴリズムについて | NHN テコラス Tech Blog | AWS、機械学習、IoTなどの技術ブログ
こんにちは。データサイエンスチームのtmtkです。 この記事では、中央値を線形時間で選択するアルゴリズムを知って驚いたという話をします。 はじめに 最近、T. コルメン他『アルゴリズムイントロダクション 第3版 第1巻: 基礎・ソート・データ構造・数学』（原著：『Introduction to Algorithms』）を始めのほうだけ読みました。わかりやすく書かれており、とてもいい本だと思います。 この本の9.3節では「線形最悪時間選択アルゴリズム」というものが紹介されています。これはn個の要素をもつ集合のi番目に小さい要素を計算量で計算するアルゴリズムです。この記事では、このアルゴリズムを紹介します。 プログラミング言語としては、Python 3で説明します。 最大値の線形時間選択アルゴリズム 最大値を計算するアルゴリズムを考えてみましょう。これは、上で述べた問題でi = nの場合に対応
本コンテンツは機械学習入門講座を各所でやっている内容の一部を、受講者の皆様の予習・復習のために公開しているものです。対象読者は、Pythonをやったことがほとんどない方やつまづいてしまっている方でも概ね実行できるようになるレベルで書いています。解説は講座でそれなりに詳しくしているため、コードにコメントする以上の説明はあまり記述していません。 各コードはJupyterシリーズやiPythonで記述しながら実行できるように記述しています。 AI/DX/機械学習/Pythonのアドバイザリー、社内研修、セミナー等承っております。 webサイトからお問い合わせください。 BeeComb Grid株式会社 機械学習入門シリーズ記事 機械学習入門 vol.1 Pythonの基礎１ 記述とデータ型 -> 講座第3回に相当 機械学習入門 vol.2 Pythonの基礎2 条件分岐と処理 -> 講座第3回に
Windows GitBash で Python・Node.js・Docker が上手く動かない場合は winpty を設定する - Corredor
Windows GitBash にて、$ python や $ node コマンドを叩いて、プロンプト上で簡単なコードを動かしてみたかったのだが、どうもプロンプトの応答が戻ってこない。 また、$ docker 関連のコマンドを使うと、以下のようなエラーメッセージが返ってきた。 $ docker exec -it my-container bash the input device is not a TTY. If you are using mintty, try prefixing the command with 'winpty' 調べてみると、GitBash では、一部の対話式プロンプトを伴うコマンドは winpty というコマンドを経由して実行してやらないと、上手くプロンプトが表示されないようだ。 まずは解決法だけ winpty を設定している /etc/profile.d/ali
pyannote.audioを使って誰がいつ話したのかを判定する話者ダイアライゼーションをやってみた | DevelopersIO
こんちには。 データアナリティクス事業本部 インテグレーション部 機械学習チームの中村です。 今回はpyannote.audioで、誰がいつ話したのかを判定する話者ダイアライゼーションをやってみたいと思います。 話者ダイアライゼーションとは 話者ダイアライゼーションとは、どこの時間でどの話者がしゃべったのか、話者認識をせずに実施する技術のことを指します。 話者認識（Speaker Recognition）は、音声から個人までを特定する話者識別（Speaker Identification）や話者検証（Speaker Verification）から構成されますが、 話者ダイアライゼーション（Speaker Diarization）は個人を特定はせず、発話者を区別するのみとなります。 またどこからどこまでで発話したのかの時間情報を出力するのも話者ダイアライゼーションの特徴です。 ちなみに話者分
RDKitでの構造式描画を詳しく解説
構造式を2次元に描画することは人間が分子の形・性質を理解する第一歩です．これまで「RDKitの分子Molオブジェクトを扱う」という記事ではRDKitにおける分子の扱い方や描画方法を学びました． また「RDKitを用いた部分構造検索とMCSアルゴリズム」という記事では複数分子の間の共通構造の探索を，実際に構造をハイライトしながら学習してきました． 注意深い方は気がついていたかもしれませんが，RDKitでは複数の描画エンジンが存在していて，用いるメソッドによって描かれる構造式の見た目が違います．今回はRDKitの構造式描画について掘り下げていきながら，2015.03のアップデートより利用可能になったSVG形式での描画方法について説明していきます．やや細かい内容が多いかも知れませんが，裏側で何が行われているかを垣間見ることで理解が深まることも多いはずです． すぐに使える内容が知りたい方は「rdM
カメラ/IMUのキャリブレーションツールkalibrを使ってみた - takminの書きっぱなし備忘録 @はてなブログ
はじめに 本記事は3D Sensor Adevent Calenderの第14日目です。 https://qiita.com/advent-calendar/2019/3d-sensor 最初にお詫びを 申し込んでみたけど、よくよく考えたら3D関係なかった。。。/3D Sensor Advent Calendar 2019 #Qiita https://t.co/e7GuoWIEAC— Minagawa Takuya (高度でないAI人材) (@takmin) 2019年11月22日 Realsense D435iをベースに作業を行っていたため、勘違いしてました。。。 というわけで、3Dとはほとんど関係ない、IMUとカメラのキャリブレーションについてのお話です。 ご存知の通り、RealsenseやKinectなどの3Dセンサーだけでなく、スマートフォンなどにはInertial Measur
JupyterLab Changelog — JupyterLab 4.2.0b0 documentation
JupyterLab Changelog# v4.1# JupyterLab 4.1 includes a number of new features (described below), bug fixes, and enhancements for extension developers. This release is compatible with extensions supporting JupyterLab 4.0. Extension authors are recommended to consult the Extension Migration Guide which lists deprecations and changes to the public API. Custom CSS# JupyterLab now supports automatic loa
I worked for a few years in the intersection between data science and software engineering. On the whole, it was a really enjoyable time and I'd like to have the chance to do so again at some point. One of the least enjoyable experiences from that time was to deal with big CSV exports. Unfortunately, this file format is still very common in the data science space. It is easy to understand why -- i
Pythonの音声処理ライブラリ【LibROSA】で音声読み込み⇒スペクトログラム変換・表示⇒位相推定して音声復元 - Qiita
LibROSAとは LibROSAはPythonの音声処理ライブラリです。 様々な音声処理を簡潔に記述できます。 今回は以下の音声処理の基本処理をまとめました。 音声の読み込み 周波数を指定して音声を読み込み Notebook上で、音声をプレーヤーで再生 音声波形のグラフを表示 スペクトログラムへの変換 STFTで音声からスペクトログラムへ変換 強度をdB単位に変換 スペクトログラムのカラープロットを表示 音声を復元 逆STFTでスペクトログラムから音声を復元する場合 位相情報を推定して音声を復元する場合 ソースコード：https://github.com/lilacs2039/ColabNotebooks/blob/master/audio/LibROSA%E4%BD%BF%E3%81%84%E6%96%B9.ipynb 初期化 import os from tqdm import tq
Google ColabでRを使う場合、パッケージのインストールに時間がかかるところが悩みのタネです。たとえばtidymodelsパッケージをインストールすると、それだけで5分かかります。一定時間が経過すると、ノートブックの実行環境が初期化されるため、何度も待ち時間が発生します。 そこで今回はパッケージの再インストールを爆速にする方法を紹介します。愚直に再インストールするとtidymodelsパッケージなら再び5分かかるところが1秒ほどに短縮できます。ただし、紹介する方法は、Colabのシステム側の更新が起きるとエラーを発生する可能性があります。問題が起きたら、面倒ですがその都度、手順を1からやり直してください。 おおまかな手順としては以下の通りです。ノートブックの内容詳細とスクショを後述します。 パッケージインストール専用のノートブック .libPaths("library")などとして
I was talking to a friend last summer about what resources might be helpful for folks learning to program. My friend said they thought some people might benefit from a list of small and fun programming projects – the kind of thing you can do in an evening or weekend. So let’s talk about that! I like to write small programs that have some marginal utility in my life. Kind of like this: ah! A minor
My Doom Emacs config
;;; init.el -*- lexical-binding: t; -*- ;; Copy this file to ~/.doom.d/init.el or ~/.config/doom/init.el ('doom install' ;; will do this for you). The `doom!' block below controls what modules are ;; enabled and in what order they will be loaded. Remember to run 'doom refresh' ;; after modifying it. ;; ;; More information about these modules (and what flags they support) can be ;; found in modules
長年使いなれたIDEを乗り換えようと思う。 Spyderを愛用してきたが、最近性能を求めるライブラリを作り出そうとするとPythonでは限界があり、Cython -> C/C++ pythonAPI拡張にはまっている。 SpyderではC言語系はカバーしきれず、コマンドプロンプトとエディタを行ったり来たりなので統合開発環境が欲しいなと思った spyderの不満点 起動が重い 変数名の一括変更などできない。 アップデート後必ず何かが起きる。 あたりを我慢すると非常に満足だった。 Python IDEとしてまともに使えるもの探し Eclipse(重い、ダサい） Netbeans(Eclipseよりは軽いがデバッガが使いづらい,iteractiveWindowが使えない） Visual Studio Cominuty 2017(ダサい、マウス操作が多い、アウトライン表示できない） Vim拡張カス
Jupyter Notebook で画像をダウンロードすることなく、URLから参照してPandas DataFrame内部に表示させる
Jupyter Notebook で画像をダウンロードすることなく、URLから参照してPandas DataFrame内部に表示させる 2021-12-28 データ分析などをしていると、画像はダウンロードせずに特定の CDN (GCP なら GCS, AWS なら S3 など)で提供されている画像を参照して、 Jupyter Notebook 上で良い感じに表示させたいときがありませんか? 例えば、画像と説明文がペアになっているデータを画像自体はダウンロードせずに Jupyter 上で画像と説明文を DataFrame として表示させたいときが多々ある。 元の画像自体は CDN に格納されていて、画像をダウンロードする必要はなく参照するだけのときにはすごく便利。 毎度画像を CDN からダウンロードするのも無駄なので、画像を加工せずに Jupyter 上で表示するだけなら、この方法がベスト
環境 OS: windows 10 Pro Version 1909 (OS build 18363.1082) WSL2: ubuntu 20.04 python: 3.8.2 手順 aptでインストール $ sudo apt update -y && sudo apt upgrade -y $ sudo apt install jupyter-notebook $ jupyter --version jupyter core : 4.6.3 jupyter-notebook : 6.1.4 qtconsole : 4.7.7 ipython : 7.18.1 ipykernel : 5.3.4 jupyter client : 6.1.7 jupyter lab : not installed nbconvert : 6.0.6 ipywidgets : 7.5.1 nbformat
こんにちは、やもり（yamori-tech）です。 開発として「Suica（PASMO）の利用履歴を読み出す話」について書こうと思います。学生証や免許書なども、大体同じような流れで読み出せます。 結論としては、Mac から パソリ rc-s380（Felicaリーダー）、 nfcpy を install 利用し、モバイルSuicaのデータを読み出せました。また、同じソースコードで、スマートICOCAやPASMOの情報も読み出せました。 www.youtube.com なぜ作ったか どのように作ったか 方針 Suica（PASMO）の利用履歴を読み出す概要 構築環境 setup 実装内容 まとめ 【余談】そもそも、NFCってなんぞや？ なぜ作ったか 今頃感が満載ですが、以前からNFCの仕組みや読み取り方法などについて、学びたい、身近にあるSuicaやPASMO情報を見てみたい、と思っていたの
Guide to Concurrency in Python with Asyncio ⋆ Mark McDonnell
integralist Compassionate Listener. Polyglot. Author. Husband. Father. He/Him. This is a quick guide to Python’s asyncio module and is based on Python version 3.8. Introduction Why focus on asyncio? A quick asyncio summary A quick concurrent.futures summary Green Threads? Event Loop Awaitables Coroutines Tasks Futures Running an asyncio program Running Async Code in the REPL Use another Event Loop
Docker + VSCode + Remote Containerで作る快適Jupyter Lab(Python)分析環境 - Qiita
Docker + VSCode + Remote Containerで作る快適Jupyter Lab(Python)分析環境Python機械学習DockerVSCode この記事はどのような内容？ Docker + VSCode + Remote Containerで作るデータ分析環境構築の手順が書いてあります。 想定読者 「Jupyter Lab? それともGoogle Colaboratoryなどのクラウドサービス？...なんか色々あって、Pythonのデータ分析環境わからん！簡単に導入できて、かつそれなりに快適な分析環境を整えたい！」 という方に向けて書きました。 サンプルリポジトリはGitHubにPushしていますので、cloneしてコンテナを立ち上げ、READMEの手順に沿ってリモート接続していただければ、10分程度で環境構築ができます。 この記事を読んだ方のデータ分析環境の選択
はじめにコンピュータ上に仮想化環境を構築して、異なるOSやWebサービスのテストや運用をすることはすでに一般的で、複数ある選択肢のうちDockerに興味があったので使い始めました。 参考：仮想環境についてまとめてみる（https://qiita.com/9en/items/f4eab2f61485a9f3885a） Dockerでは、仮想化環境の構成要素を設定ファイルとして記述して環境構築を自動化します。そのため、Dockerが動いている他のマシンと設定ファイルを共有することで同じ仮想化環境を構築できるほか、同じ設定をCloudにデプロイしてローカルで試行した環境をほぼそのままCloudサーバ上に構築するといった使い方ができることもDockerの魅力だと思います。 しかしながら、Dockerを使用すればホストマシンによらず同じ環境を構築することができるかというと、必ずしもそうではなく、特に
Supercharging AI/ML Development with JupyterLab and Docker | Docker
JupyterLab is an open source application built around the concept of a computational notebook document. It enables sharing and executing code, data processing, visualization, and offers a range of interactive features for creating graphs. The latest version, JupyterLab 4.0, was released in early June. Compared to its predecessors, this version features a faster Web UI, improved editor performance,
こんにちは、アドカレ四日目です。 はじめに PythonにはSciPyという数学処理ができるライブラリがあります。 SciPyではいろいろな種類の高度な数学処理ができます。 今回はSciPyの微分のサンプルとして、振り子をシミュレートしようと思います。 振り子のシミュレーション 前提 以降のコードは全てGoogle Colaboratoryで実行することを前提としており、ここに書かれた実行結果もまた、Google Colaboratoryで実行した結果です。 Google Colaboratoryはシミュレーションの結果をアニメーションとして再生したいため利用しています。 バージョン等に関しては、全て2022/12/04(記事執筆当時)のデフォルトを使用しています。 ライブラリのインポート 使用するライブラリをインポートします。 SciPy : シミュレーション時に微分を行う NumPy
IPythonでは!lsのように先頭に!をつけることでシステムコマンド（OSコマンド / シェルコマンド）を実行できる。 Built-in magic commands — IPython 7.1.0 documentation IPythonをバックエンドで使っているJupyter Notebookでも同様の操作が可能。 Jupyter Notebookのセル上でシステムコマンドを実行できるだけでなく、その標準出力を文字列のリストとしてPythonの変数に格納して使うことができる。 ここでは以下の内容について説明する。 注意点 Jupyter NotebookではなくIPythonの仕組み 使えるコマンドは環境に依存 マジックコマンドとの関係 !をつけてシステムコマンドを実行 !cdコマンドの注意点 標準出力をPythonのオブジェクト（文字列のリスト）として取得 !lsコマンドの注意点
Machine learning (ML) now impacts a wide swath of business, engineering, and research domains, to the extent where you’d be hard-pressed to find a niche where machine learning is totally uninvolved. Progress in ML has come on the coattails of broader trends in software and automation: Wherever human activity depends on doing repetitive tasks that can be readily described in a way that a computer c
Welcome to Kedro’s award-winning documentation! — kedro 0.19.5 documentation
Learn about Kedro Introduction to Kedro First steps Set up Kedro Installation prerequisites Python version support policy Create a virtual environment for your Kedro project How to create a new virtual environment using venv How to create a new virtual environment using conda How to install Kedro using pip How to verify your Kedro installation How to upgrade Kedro Summary Create a new Kedro projec
Tuning your bash or zsh shell on Fedora Workstation and Silverblue - Fedora Magazine
Tuning your bash or zsh shell on Fedora Workstation and Silverblue This article shows you how to set up some powerful tools in your command line interpreter (CLI) shell on Fedora. If you use bash (the default) or zsh, Fedora lets you easily setup these tools. Requirements Some installed packages are required. On Workstation, run the following command: sudo dnf install git wget curl ruby ruby-devel
D3.jsが役に立つケース Pythonにおいてインタラクティブデータ可視化のほとんどのユースケースはbokehyやPlotly などのライブラリにより実現可能です。 しかしいくつかのユースケースではライブラリの提供する自由度の制限により本当に表現したいことが実現困難ということもあります。 たとえば以下のような複数グラフ間でのインタラクティブな表現はD3が簡単です。 D3.jsの利用はJupyter Notebookではやや煩雑な手順を踏む必要がありました。 （notebookではpy_d3ライブラリを使うことを推奨します） しかしJupyterLabでは気軽に利用可能となっています。 ですので、"Bokehで実装するのは難しいから"という理由でデータ可視化を諦める必要はありません。 ※ただしコーディングを始める前に、”その可視化は本当に必要か？”と疑うことは重要です。 D3ってなに？ D
kerasからのインポートでエラーになる
前提・実現したいこと ネットにあるチュートリアルを試してみるところですが， いきなりimportでエラーになります 環境は次のとおりです windows10（64bit） anaconda 5.3.1 python 3.7 TensorFlow 1.11（keras内蔵） Jupyter Notebookを利用 【コマンド】＞＞＞＞＞ import tensorflow from tensorflow import keras from keras.layers import Input, Dense ＜＜＜＜ 【エラー】＞＞＞＞＞ ModuleNotFoundError Traceback (most recent call last) <ipython-input-19-d63db0619a81> in <module> 1 import tensorflow 2 from tenso
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます データサイエンスをやりたいのなら、「Jupyter」に詳しくならなければならない。Jupyterは非常に高い人気を誇るオープンソースプロジェクトであり、「Jupyter Notebook」で最もよく知られている。 データサイエンティストはこのウェブアプリケーションを使用して、ライブコード、数式、視覚化、説明文を含むドキュメントを作成し、共有できる。これは、コードによってデータを抽出し、他のデータサイエンティストと共同作業をする優れた方法であることが実証されている。Jupyterの使用は急増し、Notebookの数は2015年の約20万件から何倍にも増加した。 Jupyterは極めて重要であり、GoogleやBloombergなど、さまざ
こんちには。 データアナリティクス事業本部機械学習チームの中村です。 YOLOv7の論文が2022-07-06にarXivに公開されたようですね🎉🎉🎉 ソースコードもGitHubで公開されています。 せっかくなので今回は、以下の記事で紹介した自作データのトレーニングを、YOLOv7を使ってやってみたいと思います。 YOLOv7の概要 YOLOv7は、YOLOv4、Scaled-YOLOv4, YOLORと同じグループが開発した最新の物体検出処理です。 MS COCOデータセットでは既存手法を大きく上回る結果と報告されています。 ざっと見たところポイントは以下となっています。 concatenateモデルのアーキテクチャを進化させたELANおよびE-ELANを使用 concatenateモデルはDenseNetやCSPVoVNetなどのようにaddの代わりにconcatするモデルのこと
Image by Eduardo Davad Colab にインストールしたパッケージは消える 😸 Colab への pip インストールは簡単 Google Colab には大概のパッケージ／モジュールがプレインストールされているので、何も考えずに import foobar するだけで、pandas だろうが numpy だろうが何の問題もなく快適に使うことができます。 しかし、先週、同じ調子で MeCab を import しようとしたら、ダメでした。驚くべきことに、 MeCab がプレインストールされていない。 そこで、 Colab に MeCab をインストールことにしました。きっと普通に pip でインストールできるに違いないと、!pip install mecab-python3とやってみたところ、何の問題もなくインストールされ（Script 1）、スクリプトもちゃんと走る
Version 1.87 is now available! Read about the new features and fixes from February. October 2023 (version 1.84) Update 1.84.1: The update addresses these issues. Update 1.84.2: The update addresses these issues. Downloads: Windows: x64 Arm64 | Mac: Universal Intel silicon | Linux: deb rpm tarball Arm snap Welcome to the October 2023 release of Visual Studio Code. There are many updates in this ver
1. はじめに 普段、ディープラーニング関係はPyCharm上で、csvファイルのデータの集計などはJuypter Notebook上で今までほぼ不自由なく、仮想環境のことなどはあまり深く考えず使ってきたのですが、Jupyter Notebook上でもtensorflowを使ってみようと思い、色々調べたことをメモしておきます。 OSはWindowsです。 Anacondaはインストール済みという前提です。 間違いや追記したほうがいい内容があればご指摘いただければ幸いです。 2. Anacondaプロンプト Anacondaをインストールすると、Anacondaプロンプトが使用できるようになります。Anaconda Navigatorというのもありますが、起動が遅いので私はあまり使っていません。なので、Anacondaプロンプトが起点になっています。 Anacondaプロンプトでできることは
OpenAIのWhisperとChatGPTのAPIでGoogle Colab上で簡易なボイスボットを作る | 株式会社AI Shift
こんにちは、AIチームの友松です。2023年3月1日にOpenAIより待望のWhisperとChatGPTのAPIが公開されました。 WhisperはOpenAIが作成した音声認識モデルで多言語の認識や翻訳、プロンプトによる制御ができることが特徴になっています。 ChatGPTは対話形式の大規模言語モデルで非常に質の高い応答をすることから世の中的にかなりの話題になっています。GPT-3.5シリーズのモデルにRLHF(人間のフィードバックによる強化学習)をすることによって、大規模言語モデルの出力の調整を行っています。筆者もChatGPTが出た当初裏側に人間のオペレータが大量に待ち構えて応答を行っているのではないかと疑うくらいの衝撃でした。 RLHFに関しては本ブログでも取り上げているのでこちらの記事も合わせて御覧ください。 trlxを用いた文書生成モデルの学習①~ILQL編~trlxを用いた
機械学習を使ったサービスのプロトタイプを短期間だけ公開したい場合AWSでサーバー借りるのもめんどくさいしお金かかるとおもったらColabでもサーバー立てられることを知ったので書き残しておきます。 URL発行に必要なngrokをダウンロード !wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip !unzip ngrok-stable-linux-amd64.zip get_ipython().system_raw('./ngrok http 6006 &') !curl -s http://localhost:4040/api/tunnels | python3 -c \ "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['publi
OpenCV - 輪郭の特徴分析について - pystyle
import cv2 import numpy as np from IPython import display from matplotlib import pyplot as plt def imshow(img, format=".jpg", **kwargs): """ndarray 配列をインラインで Notebook 上に表示する。 """ img = cv2.imencode(format, img)[1] img = display.Image(img, **kwargs) display.display(img) def draw_contours(img, contours, ax): """輪郭の点及び線を画像上に描画する。 """ ax.imshow(img) ax.set_axis_off() for i, cnt in enumerate(contours):
Jupyter Notebookは，PythonやR, Juliaなどのコードを書いたり実行したり，文章を書いたりするのに開発環境(Mathematicaのノートブックのようなもの)です。 anaconda/python をインストールしていれば，Jupyter Notebookももれなく使えます。 $ jupyter notebook 拡張機能のインストール セルを畳んだりできるように拡張機能(Jupyter notebook extensions)のインストールをする。 $ conda install -c conda-forge jupyter_contrib_nbextensions $ conda install -c conda-forge jupyter_nbextensions_configurator $ jupyter nbextension enable codefo
初めにGithubからソースコードを取得します。 %cd /content !git clone https://github.com/LSH9832/edgeyolo.git %cd /content/edgeyolo # Commits on Feb 28, 2023 !git checkout 673e270917e4db45967b6106585339dd8d7913dd 次にライブラリをインストールします。 %cd /content/edgeyolo # Install dependent packages !pip install -r requirements.txt !pip install moviepy==0.2.3.5 imageio==2.4.1 最後にライブラリをインポートします。 %cd /content/edgeyolo import os import ti
![[EdgeYOLO] エッジデバイス向けリアルタイム物体検出の動かし方](https://cdn-ak-scissors.b.st-hatena.com/image/square/2274174a497a6679a531d094ee53af0aa4933214/height=288;version=1;width=512/https%3A%2F%2Fblogger.googleusercontent.com%2Fimg%2Fb%2FR29vZ2xl%2FAVvXsEgRPlJOFGQ6up7DP-TcETwpD0zqoF7zp5SThk644a0mvMwlNj43k5Ln7ytuIC6yNS0oR56nSt3qo4ScgxYCYfT7U27LiDGrVRe5tpCdWsu4wBNjHP_Jp6Rb5Df4ffeGEExBmJlwwUGi6t5gktj7GiOWldBVUREH151ZiOxgHqL6YwewlroKHmS_BewBYw%2Fw1200-h630-p-k-no-nu%2Feyecatch.jpg)
GitHub - santiagobasulto/ipython-gpt: An ChatGPT integration for Jupyter Notebooks and the IPython Shell
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
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
Pythonでマルチエージェントシミュレーションに入門してみた - Ledge Tech Blog
機械学習入門 vol.4 表（Pandas）の基本操作 - Qiita
Friends don't let friends export to CSV
Google ColabでRパッケージの再インストールを爆速にする
Some tiny personal programs I've written
Python IDEを6年ぶりに乗り換えた - Qiita
WSL2(ubuntu: 20.04)で Jupyter notebook インストールメモ
【開発】Suica（PASMO）の利用履歴を読み出す話 - やもりの技術ブログ
Docker for WindowsでLinux作業環境とWebサーバ環境を構築する
SciPyの微分で振り子をシミュレートする - Qiita
Jupyter Notebookでシステムコマンドを実行し文字列のリストとして取得 | note.nkmk.me
AutoML: Using Auto-Sklearn and Auto-PyTorch - DZone
JupyterLab で D3.js × Python - どこから見てもメンダコ
データサイエンスで評価されるオープンソース「Jupyter」プロジェクトの起源 - ZDNet Japan
YOLOv7を使って自作データセットで物体検出してみた | DevelopersIO
Google Colab/Drive に pip インストール: これなら消えない😃
Visual Studio Code October 2023
Anaconda仮想環境について - Qiita
Google Colaboratory でAPIサーバーを立てる。 - Qiita
Jupyter Notebook :: Jun Nishii
[EdgeYOLO] エッジデバイス向けリアルタイム物体検出の動かし方