NumPyの関数np.tile()を使うと配列ndarrayを任意のタイル状に繰り返し並べた新たなndarrayを生成できる。 numpy.tile — NumPy v1.15 Manual ここでは以下の内容について説明する。 np.tile()の基本的な使い方 二次元配列（多次元配列）の場合 画像処理への応用（タイル状に繰り返し並べる）
NumPy配列ndarrayをタイル状に繰り返し並べるnp.tile | note.nkmk.me
NumPyの関数np.tile()を使うと配列ndarrayを任意のタイル状に繰り返し並べた新たなndarrayを生成できる。 numpy.tile — NumPy v1.15 Manual ここでは以下の内容について説明する。 np.tile()の基本的な使い方 二次元配列（多次元配列）の場合 画像処理への応用（タイル状に繰り返し並べる）
Python を Go に書き換えるとどれくらい速くなる？ 7つの言語で Dijkstra の実行速度を比較 - Qiita
これは何 最短経路探索のアルゴリズムを使っていくつかの言語の性能がどれくらい違うかを調べてみました。 Python は手軽に実装できるけど遅い、Go は 早いけど C++ よりは遅い? 本当? のような疑問を一定解消したかったというのが動機です。 前提条件など 対象とする言語 本命 Go, Rust, C++ 興味本位 Julia Python より段違いに早ければもう少し掘ってみたい 興味本位 Kotlin 意外とトップ集団に肉薄するのではないか 参考 Python JavaScript 性能差のイメージとしては Rust == C++ > Go >> Kotlin >>> JavaScript > Python == Julia ちなみに fibonacci数の計算（計算結果のメモ化なし）で比較させてみたところ、C++ == Rust > Go > Kotlin == Julia >
混ぜるな危険！ndarrayとmatrix - Qiita
TL;DR numpy.matrixは非推奨。numpy.ndarrayと@演算子を使いましょう。 はじめに 少し前に「大名行列を特異値分解してみる」という記事を書いたところ、元同僚さんから「numpy.matrixはdeprecatedですよ」と言われて驚きました1。 調べたらStackOverflowにやたら詳しい解説が載っていたので、それをもとに説明してみようと思います。 特異値分解とmatrixクラス 線形代数に特異値分解(Singular Value Decomposition, SVD)という処理があります。m行n列の行列Xを、m行m列のユニタリ行列U、m行n列の対角行列S、n行n列のユニタリ行列Vの積に分けるというものです。なんか適当な行列を作ってみましょう。
機械学習で画像の高画質化を試みる（備忘録）- Python3 - Qiita
OpenCVはpix2pixの実行とは直接関係しないのですが、後述の学習データの作成で使用します。今の所最新バージョンで問題なさそうですが、もし実行できないのであれば同じようにバージョンを指定してインストールを行ってください。 3.学習データの作成 pix2pixには予め学習用データセットが用意されていますが、今回の目的は画像の高画質化なので、それに適した学習データを自作することにします。 前述したとおり、pix2pixは以下のような２枚の対になった画像を繋げて１枚にしたものを学習データとして用います。（256px × 256pxを２枚繋げた512px × 256pxの画像） この画像を作成するためには 1. 大きな画像を256px × 256pxに切り分ける 2. 切り分けたそれぞれの画像にぼかしを入れる 3. 切り分けた画像とぼかしを入れた画像を結合する の３つの処理を行う必要がありま
condaでバージョン確認、インストール、アップデート | TechBlog AI/機械学習の技術やトレンドの紹介
conda info 今自分が動かしている環境名とcondaやpythonのバージョンなどを確認することが出来ます。 # 動作例 conda info active environment : blog active env location : C:\Users\USERNAME\AppData\Local\Continuum\anaconda3\envs\blog shell level : 7 user config file : C:\Users\USERNAME\.condarc populated config files : C:\Users\USERNAME\.condarc conda version : 4.8.3 conda-build version : 3.18.9 python version : 3.7.4.final.0 virtual packages :
TensorFlow2.1でCuda10.1なのにGPUが認識されない問題の解決法
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
1
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
GitHub - pyenv/pyenv-update: update pyenv and plugins
Tensorflow GPU, CUDA, CuDNNのバージョン早見表 - Qiita