Google Pixel 9 ├Google Pixel 9 Pro ├Google Pixel 9 Pro XL ├Google Pixel 9 Pro Fold ├arrows We2 F-52E ├arrows We2 Plus F-51E ├キッズケータイ コンパクト SK-41D ├AQUOS R9 SH-51E ├Xperia 10 VI SO-52E ├AQUOS wish4 SH-52E ├Xperia 1 VI SO-51E ├Galaxy A55 5G SC-53E ├Google Pixel 8a ├Galaxy S24 SC-51E ├Galaxy S24 Ultra SC-52E ├DuraForce EX KY-51D ├AQUOS sense8 SH-54D ├Google Pixel 8 ├Google Pixel 8 Pro ├Xperia 5 V SO-

背景 自宅デスクトップにVPNでつなげられるようにして、外でノートPCでドヤリングしてる時も、デスクトップのそこそこよい環境で開発したいな、と思ったのです。 最終的にはうまく動くようになったのですが、かなり手こずったので、同じような境遇の人がいればその一助となることを願いメモを残します。 あ、私はインフラよく分からないマンですので、「そんなとこで？」という躓きポイントもあると思われますが、ご容赦を。 環境 OS: Ubuntu 18.04 LTS VPN: SoftEther VPN Server (Ver 4.29, Build 9680, rtm) 自宅のONU兼ルータにはVPNの機能がないので、Ubuntuが入っているデスクトップPCにVPNサーバを入れて、ルータからはポートマッピングで必要なポートをUbuntuに飛ばしてます。 困ったところ VPNサーバを入れたマシン自体と通信でき

LinuxにインストールしたSoftEther VPNサーバーをSoftEther VPNサーバー管理マネージャを使用してIPsec／L2TP設定を行う方法について説明します。 LinuxへのSoftEther VPNサーバーのインストール方法については下記記事を参照して下さい。 SoftEther VPNでLinux録画サーバを外部から接続する方法（Ubuntu・Debian編） SoftEther VPNでLinux録画サーバを外部から接続する方法（CentOS 7編） スポンサーリンク サーバー管理マネージャインストール SoftEther VPNサーバー管理マネージャはWindowsアプリケーションです。Mac OS版やLinux版は存在しません。もしMac OSやLinuxで動かしたい場合、仮想環境のWindowsやWineを使用して下さい。本記事ではその方法については説明しませ

I've blogged about Patching the new Cascadia Code to include Powerline Glyphs and other Nerd Fonts for the Windows Terminal but folks have asked very specifically, how do I make my prompt look like that? Step One - Get the Terminal Get Windows Terminal free from the Store. You can also get it from GitHub's releases but I recommend the store because it'll stay up to date automatically. Note that if

先日、WindowsでClaspを実行するためにNode.js環境を整えました。 ClaspはCUIで操作するのでコマンドプロンプトを使って実行するのですが、なかなかに使いにくい。 Windowsはこ ... 今回はPowerlineを使える環境を構築し、更に今風なターミナル環境を構築したいと思います。 事前作業 いくつかの事前作業が必要になります。 特にターミナル環境でGit管理下のディレクトリに入ったときに、プロンプト部分にブランチやファイル状態がプロンプトに表示されるとわかりやすいのでGitもインストールします。 PowerShell 7をインストールする まず最初に、今回PowerShellにいくつかのモジュールをインストールします。 Windows10を使っていてPowerShell関連のアップデートを行っていない場合はPowerShell 5系がインストールされております。 最

※ 2021/09/02）この投稿は 2019 年 1 月のものです。現在 は状況が変わってますのでご注意。（Docker CE なんてもうないし、Docker Personal/Pro/Team/Business になっちゃったし）（WSL 2 バックエンドの Docker Desktop であれば、WSL Integration で WSL 2 の Linux に Docker CLI を簡単に利用可能にできるなど） 先に、Windows Server と Docker の最新情報など。 Announcing Support for Windows Server 2019 within Docker Enterprise https://blog.docker.com/2019/01/announcing-support-for-windows-server-2019-within-d

先日TensorFlow2.1がリリースされました。大きな変更点の1つとして「CPU版とGPU版の統合」があります。今までは環境に応じてinstall tensorflowとinstall tensorflow-gpuを使い分けていたのですが、全てtensorflowで一括管理されるようになりました。これは嬉しい！ というわけなので、早速私の環境にもTensorFlow2.1を入れてみました。conda install tensorflow=2.1を実行し、GPUを確認してみましょう^^ >from tensorflow.python.client import device_lib >device_lib.list_local_devices()[name: “/device:CPU:0” device_type: “CPU” memory_limit: 268435456 locali

はじめに 本記事は3部作の最終回です. 記号の定義などは第1回の記事をご参照ください. GNNまとめ(1): GCNの導入 - Qiita 種々のGCNを紹介した第2回の記事はこちら. GNNまとめ(2): 様々なSpatial GCN - Qiita 今回はautoencodersによるグラフ埋め込みの獲得やGAN, 時間発展のあるグラフなど発展的な事項を扱います. [1]より引用. その他 第1部, 第2部の小見出しを受けて「その他」という名目でまとめます. AE/VAE 前回までグラフの埋め込みを得るための畳込みについて考えてきましたが, 画像において行われているように, autoencoderやVAEを用いて教師なしの表現学習をしたいと思うのは自然な流れです. しかし, 畳込みの逆演算としてのdecodeの方法は自明ではありません. 本記事では, ニューラルネットを使わずにdeco

執筆：金子冴 前回の記事(【技術解説】似ている文字列がわかる！レーベンシュタイン距離とジャロ・ウィンクラー距離の計算方法とは)では，文字列同士の類似度(距離)が計算できる手法を紹介した．また，その記事の中で，自然言語処理分野では主に文書，文字列，集合等について類似度を計算する場面が多いことについても触れた．今回は集合同士の類似度を表現する以下の３つの係数と計算方法について解説する． ●Jaccard係数 ●Dice係数 ●Simpson係数 その前に，自然言語処理で類似度を表す指標について確認しよう． 自然言語処理で使用される類似度(距離) 自然言語処理の分野では，類似度を測る対象によって手法を使い分ける． ここでは事前に，主に使用される手法について確認しておこう． ベクトル同士の類似度 　●コサイン類似度 ●ピアソンの相関係数 ●偏差パターン類似度 集合同士の類似度(今回の解説対象) 　

[DL輪読会]NVAE: A Deep Hierarchical Variational AutoencoderDeep Learning JP1.7K views•22 slides 【DL輪読会】Efficiently Modeling Long Sequences with Structured State SpacesDeep Learning JP3.8K views•34 slides

Answer (1 of 3): Tl;dr: Hierarchical softmax is a replacement for softmax which is must faster to evaluate. While softmax is O(n) time, hierarchical softmax is O(\log n) time. First, let’s talk about the softmax function. One of the primary types of machine learning problems is classification:...

結構前(9/6)に、Variational Autoencoderの中間層の構造に関する記事を書きました。その後、前回の記事で気になっていた点(中間層データの構造)を確認したので、メモにします。 以前の記事の要約（今回記事関連） MNISTのデータ(0〜9の各数字の画像データ集)で、中間層を30次元にしてVAEで学習させた場合、中間層のうち11次元のみが活性化し、残りの次元は不活性(値がほぼ0)というのが、前回記事の概要です。この11次元多様体上では、数字の0〜9の画像群が、ある程度分離して分布していると思われますが、11次元多様体の構造を目で見ることは難しく、なんか良い確認手段はないかという話を「あとがき」に書きました。 ちなみに、11次元の球で近似しただけでも、画像データの約9割は、正しく分離できます。つまり、「各数字の画像データ群の中心(計算上は平均値、以下「数字の中心」)」と対象画