PowerShell で Microsoft 365を管理する - Microsoft 365 Enterprise
この記事は、Microsoft 365 Enterprise および Office 365 Enterprise の両方に適用されます。 PowerShell for Microsoft 365 は、Microsoft 365 管理センターを補完する強力な管理ツールです。 たとえば、PowerShell オートメーションを使用して、複数のユーザー アカウントとライセンスを簡単に管理したり、レポートを作成したりできます。 PowerShell を使用して Microsoft 365 を管理する方法については、次のトピックから選択します。 作業の開始 PowerShell for Microsoft 365 に慣れていない場合、Microsoft 365 モジュールをインストールしてサブスクリプションに接続する場合は、ここから始めます。 ユーザー アカウント、ライセンス、グループ 自動化コマン
CloudWatch Agent を CLI で EC2 に導入 - vague memory
先日 CloudWatch Agent が発表されました。 新発表 – Amazon CloudWatch AgentとAWS Systems Managerとの連携 – 統一されたメトリクスとログの収集をLinuxとWindowsに | Amazon Web Services ブログ SSM Agent 導入が前提、となるとマネジメントコンソールすら使う必要が無いだろうということで、AWS CLI (aws ssm) での導入方法です。 公式導入手順 Collect Metrics from Amazon EC2 Instances and On-Premises Servers with the CloudWatch Agent - Amazon CloudWatch Metrics Collected by the CloudWatch Agent SSM Agent CloudWa
Pythonで近似最近傍探索を試したいときはpyflannがちょうど良い - 洋食の日記
近似最近傍探索とは近似的に近いものを検索してくる技術で、普通に距離を計算して並べて近くにあるものを探すより速い。代表的なライブラリにFLANN（Fast Library for Approximate Nearest Neighbors）があり、これのPythonバインディングがpyflannになる。FLANNの開発は2013年から止まっているのに（もともとブリティッシュコロンビア大の研究がベースなので研究プロジェクトが一段落したんだと思われる）、pyflannは今でも開発されているのがおもしろい。FLANN自体は、Debian GNU/Linuxとかでもパッケージになってて、pyflannもpipにあるのでインストールは楽ちん。枯れ具合がちょうど良い。 $ sudo apt-get insatll libflann-dev $ sudo pip install pyflann では、まず
GANについて概念から実装まで ～DCGANによるキルミーベイベー生成～ - Qiita
@triwave33さんの良記事に触発され、GANに対しての関心が高まり、自分でもなにかアウトプットできないかなと思ったので、今回はキルミーベイベーの画像生成を行いました。 この記事では、GANについて基礎から解説し、最後にはDCGANを使ってキルミーベイベーの画像を生成することを目標としています。 以前、以下のような記事 Kerasでキルミーアイコン686枚によるキルミー的アニメ絵分類 を使ってKerasの勉強をし、面白いなと思ったので、 今回はDCGANを使って分類ではなく生成を行おうと思います。 また、潜在変数（ノイズ）に関して詰まったので、そこに関して掘り下げます。 ついでに、転置畳み込みに関しても少し触れています。 GAN関連の良記事としては 今さら聞けないGAN（1） 基本構造の理解 今さら聞けないGAN （2） DCGANによる画像生成 はじめてのGAN があります。 実装は
Chainerで顔イラストの自動生成 - Qiita
PFNのmattyaです。chainerを使ったイラスト自動生成をやってみました(上の画像もその一例です)。 20日目の@rezoolabさんの記事(Chainerを使ってコンピュータにイラストを描かせる)とネタが被っちゃったので、本記事ではさらに発展的なところを書いていきたいと思います。一緒に読んでいただくとよいかと。 概要 Chainerで画像を生成するニューラルネットであるDCGANを実装した→github safebooruから顔イラストを集めてきて学習させた 学習済みモデルをconvnetjsで読み込ませて、ブラウザ上で動くデモを作成した→こちら(ローディングに20秒程度かかります) アルゴリズム 今回実装したDCGAN(元論文)はGenerative Adversarial Networkというアルゴリズムの発展形です。GANの目標は、学習データセットと見分けがつかないようなデ
できるだけ丁寧にGANとDCGANを理解する - 午睡二時四十分
目的 Chainerの扱いに慣れてきたので、ニューラルネットワークを使った画像生成に手を出してみたい いろいろな手法が提案されているが、まずは今年始めに話題になったDCGANを実際に試してみるたい そのために、 DCGANをできるだけ丁寧に理解することがこのエントリの目的 将来GAN / DCGANを触る人の助けになったり、理解間違ってるところにツッコミがあると嬉しい 本エントリの構成 DCGANの前提となっているGANの論文の要点をまとめる DCGANでGANとの差分として提案されている要点をまとめる DCGANのmattyaさんの実装を読み通して詳細を理解する 1. GANについて GANは、サンプル群と似たような性質を持つ出力を生成するためのフレームワーク 2014年にIan J. Goodfellowらによって提案された 論文: Generative Adversarial Net
matplotlib.pyplot テンプレート - Qiita
##matplotlib Python におけるグラフ作成ライブラリーとして、デファクトスタンダードの地位を獲得している matplotlib ですが、MATLAB の使い勝手をコピーした Pyplot API と Object-Oriented API とで構成されていて、コードでの呼出しスタイルが多様に混在していてます。一からコードを書かずに、ネット上のデモコードを流用して、手早く何かをつくろう、というアプローチを取ると、コーディングスタイルの統一が失われがちです。fig.plot() と ax.plot() とが入り混じりがち。 そこで、このメモでは、matplotlib の多様なコーディングスタイルの中で首尾一貫したスタイルでコーディングするための一例として、自分用のガイドラインを記載します。 この記事では Windows 10 Home にanacona でインストールした py
OpenVPN 構築: 自宅外からVPN を使用して自宅内のマシンへのアクセスと、公衆Wifi を使用したときの全パケット暗号化 - Qiita
自宅LAN 内への接続をトンネリング、暗号化する OpenVPN を使って自宅LAN 内への接続を暗号化、トンネリングするためのVPN Server とクライアントを構築していきます。 VPN を構築することで、自宅外部に位置するVPN クライアントから自宅ネットワーク内のサーバやマシンに対して、あたかもクライアントが自宅LAN 内に位置しているかのように、プライベートIP アドレスでアクセスできるようになります。 また、VPN クライアントからVPN サーバまでのデータは暗号化がされ、安全に自宅内のノードに対してアクセスできるようになります。 構成概要 今回構築する環境の構成は以下のようにインターネット外部の端末(VPN Client)を公衆Wifi などのネットワークを経由して自宅内のVPN Server に接続し、暗号化したトンネルを確立して内部のサーバに安全にアクセスできるような環
A guide to receptive field arithmetic for Convolutional Neural Networks
The receptive field is perhaps one of the most important concepts in Convolutional Neural Networks (CNNs) that deserves more attention from the literature. All of the state-of-the-art object recognition methods design their model architectures around this idea. However, to my best knowledge, currently there is no complete guide on how to calculate and visualize the receptive field information of a
Chainer で Hello World! - Qiita
概要 Chainer は、Preferred Networks が提供するニューラルネットワーク向けの機械学習フレームワークです。実際には、機械学習一般に汎用的に使うことができます。ネットで見かけるサンプルは複雑なニューラルネットワークを使ったものが多いので、まず Hello World! 的なプログラムを書いてみました。 Chainer のインストール お試し程度であれば GPU は要らないので、 とすると良いと思います。バージョン 1.22 の場合、いきなり GPU を使おうとして「GPU の環境がないよ！」とエラーになりました。上のようにして Chainer を再インストールしたところうまく行きました。 対象読者 Chainer を機械学習に利用することに興味がある Python について基礎知識がある 関数の最小化手法について基礎知識がある 二次関数の最小化問題
畳み込みニューラルネットワークの最新研究動向 (〜2017) - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 昨年に引き続きDeep Learningやっていき Advent Calendar 2017の25日目の滑り込み記事で，畳み込みニューラルネットワークの歴史および最新の研究動向についてのサーベイです．2017年12月のPRMU研究会にて発表した，畳み込みニューラルネットワークについてのサーベイをベースに追記を行ったものになります． はじめに 畳み込みニューラルネットワーク (Convolutional Neural Networks; CNN) （以降CNN）は，主に画像認識に利用されるニューラルネットワークの一種である．CNNの原型は
画像処理 (3) 顕著性マップ
人は、目から得られるたくさんの情報を常に処理し、それに対して判断を行っています。目に映るモノ全てに対してそれが何かをいちいち判断していたのでは、特に瞬時の判断が必要な場合は生死に関わることになる可能性もあります。車の運転中、前の車が急停車したという情報を処理するときは、目の前に近づいてきた車やそのブレーキランプを見て判断すれば充分なのに、周囲の景色や道路標識なども常に処理されていては判断が間に合わなくなります。そのため、本当に注目すべきモノだけに無意識に注意を引くような仕組みが人には備わっています。これは、人に限らず他の動物にもあり、天敵などの危険から逃げたり、逆に獲物を追う時に逃げる対象の動きを瞬時にとらえるなど、常に視覚情報から注意を引く部分を抽出して、それ以外の情報はカットしてしまう機能が必要になる機会は人よりも多いことが想像できます。 今回は、注意を引く対象を見つけるための仕組みと
Python3 & OpenCV で画像処理を学ぶ[6] 〜 numpy で畳み込み演算と平滑化フィルタの実装 - Optie研
1. はじめに 2. 基本概念 2.1. 空間フィルタリングとは 2.2. 畳み込み演算とは 3. 平滑化の実装 3.1. 平均化フィルタ 3.1.1 python/numpy による実装 3.1.2 opencvによる実装 3.2. ガウシアンフィルタ 3.3. 応用 : 特定方向の平滑化 4. おわりに 5. 参考文献 1. はじめに 今回は、空間フィルタリングの基礎概念に触れて、いくつかの平滑化フィルタを実装します。 理解を深めるため, まず畳み込み演算から自力でnumpyで実装し, 次にOpenCVでのやり方と比較するという過程を踏みます。 2. 基本概念 2.1. 空間フィルタリングとは これまで触れてきたヒストグラム, トーンカーブ, 描画モードなどは, あくまで「ピクセルごと」のお話でした。つまり, 画像データでは本来, 「どのピクセルがどこにあるか」「隣接するピクセルは何か
![Python3 & OpenCV で画像処理を学ぶ[6] 〜 numpy で畳み込み演算と平滑化フィルタの実装 - Optie研](https://cdn-ak-scissors.b.st-hatena.com/image/square/80aded986cf2b546f9c4f7f3d1b02488bd5ebfd4/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2F0ce018b3c3c013a7491c50be62889fcf822c2a96%2Fbackend%3Dimagemagick%3Bheight%3D1300%3Bversion%3D1%3Bwidth%3D1300%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252FO%252FOptie_f%252F20180321%252F20180321161644.png)
Webで遊べるCreative Coding環境 - Qiita
この記事について ひとまとめにCreative Codingって言っちゃっていますが、映像や音響を扱うコーディング環境についてのメモです。それ系の人が集まってるオンラインID的なもの（Playground / Live Coding）やらビジュアルプログラミング環境、言語処理系、フレームワークなんかを含んでいます。面白い物をみつけ次第追記したい次第。 Playground wonderfl Webと言いながらいきなりFlashですが日本の老舗。KAYACさんが運営しているコード編集・共有サイト。ActionScript BeautilCodeって本が出ていて、このサイトの有名作品についてジャンルごとにまとめて簡単な解説がついてます。ActionScript知らなくても、ECMAScriptベースでclass構文と型が増えた程度なので読む分にはJSの知識で十分だし、すぐ書けるようになります。
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
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
OpenCV - inRange による範囲指定で2値化する方法について - Pynote
GitHub - Evolving-AI-Lab/synthesizing: Code for paper "Synthesizing the preferred inputs for neurons in neural networks via deep generator networks"
Efros and Leung Texture Synthesis
julianpanetta.com - CS176 HW 2 - Texture Synthesis
DCGANをGoogleColaboratoryで試してみた
リダイレクトの警告