ついに購入しました!M5StickCを。 M5StickCは大人気のM5Stackの小型版です。M5Stackは持っていなかったのですがM5StickCのカワイイ色やサイズそして何と言っても2千円以下の家計に優しい価格にやられて速攻購入した次第です。 ここではM5StickCを用いて製作した実にスマートな電池 M5Stick-Cell を紹介いたします。
![M5StickC でスマートな電池を作製 M5Stick-Cell - 電子工作 - HomeMadeGarbage](https://cdn-ak-scissors.b.st-hatena.com/image/square/edc7135480b0b919ea5baf497e5fdc9cabc8c5b0/height=288;version=1;width=512/https%3A%2F%2Fhomemadegarbage.com%2Fwp%2Fwp-content%2Fuploads%2F2019%2F06%2FIMG_20190618_121734.jpg)
iPhoneで撮影した写真をMacの写真.appで管理 MacにiPhoneをUSBで接続し、写真.appを立ち上げて「すべての新しい項目を読み込む」をクリックすると、iPhoneで撮影した写真がMacの写真.appに取り込まれます。 本来は既に写真.appに取り込んだ同じ画像は再度読み込まれないはずなのですが、同じ写真を何度も読み込んでしまうという問題が発生することがあります。 原因はMacがすでに取り込んでいる写真と、新たに取り込もうとしている写真が同じものであると区別できていないこと この問題はすでにApple社でも認識されているようでして、現在解決に向けて取り組んでいるとのことです。そしてこれはOSのアップデートで解決されるだろうということですが、時期などは現在のところ未定です。 解決方法 これを解決する方法今の所1つしかありません。それは、iPhoneからMacに取り込んだ写真を
spring rails console で PAGER=lv だと /dev/tty: Device not configured spring rails console で pry を使っていて pager を起動するような出力をしたときに /dev/tty: Device not configured になることがあったので原因を調べてみました。 結論としてはタイトルに書いてありますが、 spring と lv の組み合わせが原因でした。 確認バージョン 関係する gem のバージョンは以下の通りです。 rails 3.2.14, 4.0.0 spring 0.0.10, 0.0.11 関係するプログラムのバージョンは以下の通りです。 ruby 2.0.0-p247 lv 4.51 確認した環境は Mac OS X です。 原因の切り分け まず rails console だと問題
この記事は闇の魔術に対する防衛術 Advent Calendar 2018の6日目の記事です。 あらすじ この世には歴史的経緯により何が動いているか分からない謎のサーバというものが存在する。 謎のサーバには、気の利いたドキュメントだの仕様だのGitHubにコードが上がってるだの、そういう甘っちょろい物は一切ない。謎のサーバは殆ど変更される事なく、あまりトラブルを起こす事なく、しかし何かのサービスによって必要とされてひっそりと動いている。 インフラエンジニアは時にこういった謎のサーバを調査して、ドキュメントに起こすか、コード化するか、ひっそりと退役させるか、はたまたリプレイスするか、といった対応に追われる。 私はこういったタスクの事を”考古学”とか”遺跡発掘”とか呼んだりする。 (考古学の成果の一例) uptime2700日超えのサーバにshutdown -h nowをカマした — かんが
この記事は Rust Advent Calendar 2018 の3日目の記事です。 本記事では、タイトルの通り、Rustでマルチインターフェースパケットキャプチャを実装します。 今回の記事で達成したい目標は以下2点です。 Rustでネットワークプログラミングをしたい マルチインターフェースにすることでマルチスレッド対応したい どうやって低レイヤを扱うか Rustでネットワークプログラミングを行うには、libpnetが便利なので、今回はこちらを利用します。libpnetを使えるようCargo.tomlには以下を記載しておきます。 [dependencies] serde = "1.0" serde_derive = "1.0" [dependencies.pnet] version = "0.21.0" アーキテクチャ 今回実装するパケットキャプチャのアーキテクチャは以下です。 I/F1か
こんにちは。二次元エンジニアです。 さて、春アニメが軒並み終盤を迎え、新アニメも出そろい、暑い夏を感じる季節となりました。 皆様は来期どんなアニメをご覧になりますでしょうか? 僕は「ソードアートオンラインⅡ」と「アルドノア・ゼロ」と「Free!」と「グラスリップ」と・・・などなど 合計32本ほど視聴予定です。 いつものアニメ一覧 さて、今回はアニメに少し関連したネタです。 さすがに週数十本も見るような方はシステマティックに録画と視聴を運用していると思います。 僕の周りでよくあるパターンは 「torne最強杉ワロタ組」「リアルタイムで見ないとかw組」「レコーダーあるよ組」 そして「PT3のようなPC用チューナで録画して保存している組」だと思います。 今回は一番最後の 「PT3のようなPC用チューナで録画して保存している組」の方々向けの記事となっています。 わかさトラップとは? 皆さんはわかさ
Googleフォトに写真をアップロードするコマンドラインツールを作りました。 github.com このツールは先月に公開されたGoogle Photos Library APIを利用しています。 Getting Started APIにアクセスできるように初期設定が必要です。 https://console.cloud.google.com/apis/library/photoslibrary.googleapis.com/ を開く。 「Photos Library API」を有効にする。 https://console.cloud.google.com/apis/credentials を開く。 新しい「OAuth client ID」を作成する。application typeはotherを選ぶ。 Client IDとClient Secretが発行されるので、以下の環境変数を設定す
前書き 最近画像系コンペに再び参加してみようと思い,既存の分類精度が高いモデルをもう一度調べたいと思ったので,メモ程度に残したいと思います. Shake Shakeとは Shake ShakeとはResNetの一種で,中間層でdata augmentationをしており正則化をしています. shake shakeのモデル図は,以下のように2つに分岐しており分岐しています. foward時はそれぞれの最後でαi ∈ [0, 1] を乗算しbackward時はαiとは異なる βi ∈ [0, 1] を使用します.またtest時は0.5で固定してやるそうです. forward時のこれは,画像に含まれる物体の割合が変化してもロバストに識別ができるように学習ができるようです. backward時は,勾配にノイズを加えると精度が向上するためであり,αiと違う乱数を用いいることでさらに強い正則化効果を持
はじめに Residual Network (ResNet) がILSVRC 2015の覇者となり、2015年末にその論文が発表されました。そして、2016年にはResNetの改良版が研究され、「我こそSOTA (state-of-the-art) だ」という論文が大量に発表されました。畳み込み層やチャンネル数を増やしてみたり、ショートカットを増やしてみたり、活性化関数の位置を変更してみたり・・・。その結果、CIFAR-10の画像分類精度も大幅に向上し、2015年のResNetではエラー率6.43%だったのが、2017年2月にはエラー率2.86%が報告されています。 しかし、2017年7月現在、疑問に思うわけです。 何がResNetの分類精度を向上させたのでしょうか? 発表された論文に実験結果が載っているのですが、論文によってパラメータ数や学習回数が異なるので、単純に「エラー率が低い=性能
はじめに この記事で理解できること バイアス-バリアンス分解とは 予測性能 未学習とは 過学習とは 多項式フィッティングにおける未学習と過学習の例 正則化の効力 評価をするために 損失関数の期待値とその分解 損失関数 損失の期待値の最小化 損失の期待値の分解 まとめ バイアス-バリアンス分解 訓練データというパラメータ 完全なるノイズ項 バイアス-バリアンス分解 バリアンス バイアス バイアスとバリアンスのトレードオフ 全体のまとめ 参考となる書籍 はじめに この記事で理解できること ・学習によってモデルをフィッティングさせる概念を理解できる。 ・機械学習で回帰問題を解決する際に、未学習や過学習を評価できる。 ・特に,正則化などが及ぼす影響を理解できる。 バイアス-バリアンス分解とは 実データを用いてモデルをフィッティングした場合には、真のモデルとの間に「バイアス、バリアンス、ノイズ」の3
おつかれさまです。今日はちょっと趣を変えて、近年のいわゆる「機械学習」という技術のアプローチをカジュアルに少しカテゴリ分けしたいと思います。 といっても、自分はアカデミックの研究者ではなく大量の論文を読み漁るということもほとんどしないので、理論的なバックグラウンドに基づいたソリッドなカテゴリ分けはできません。ここで紹介するのはあくまで、実用上の機械学習技術者から見た視点で「こんな傾向があるかなぁ」くらいの気持ちで書いたものです。 <代表的な4つのアプローチ> 1、最適化(目的関数ベース) まず始めは最適化手法をベースにした機械学習のアルゴリズムです。たぶん一番例が多いんじゃないでしょうか。 ここでは、ある解きたい課題を目的関数によって定式化し、適切な最適化手法を使って解きます。伝統的な線形回帰や線形識別はもちろん、主成分分析(PCA)や非負行列因子分解(NMF)なんかもこの枠組みで解かれる
Residual Network(ResNet)とは ResNetのアイデア Shortcut Connectionの導入 Bottleneckアーキテクチャ ResNetの最適化ベストプラクティス Optimizerの選定 Batch Normalizationの位置 Post Activation vs Pre Activation Wide Residual Network まとめ 参考 2015年のImageNetコンペティションとCOCOセグメンテーションの最良モデルとしてDeep Residual NetworksがMicrosoft Researchから提案され、最大1000層以上の深いニューラルネットワークを構築することが可能となった。 本記事では、 Residual Networkとは何か Residual Networkのチューニング方法 Residual Networ
linuxもUSBを引っこ抜いて、再度指すと、再認識してくれる。 しかし、linuxが遠方にあり、引っこ抜いて指し直しするのが、難しい事がある。 そういうときは、コマンドでそれを実施する。 http://server-setting.info/blog/usb-reset-for-command.html に答えが書いてあるが、必要なところだけを自分のメモに残しておく。 まずは、lsusb -tを実行する。 root@OpenWrt:~# lsusb -t /: Bus 02.Port 1: Dev 1, Class=root_hub, Driver=ohci-platform/1p, 12M |_ Port 1: Dev 4, If 0, Class=Vendor Specific Class, Driver=option, 12M |_ Port 1: Dev 4, If 1
妻も子供も私も、ついに初めてドクターイエローを見ることができました! 念願のドクターイエローを見ることができて家族全員大喜び。情報を信じてはるばる東京まで出向いた甲斐がありました。 カギは勇士による運行日予測と発着時刻表、インターネットで知った2人の情報があってドクターイエロー目撃に至りました。かなり正確な予測情報に感謝です。 幸せの黄色い新幹線、ドクターイエローとは? ドクターイエローというのは、東海道・山陽新幹線を走行する黄色い車体の新幹線の愛称です。乗客を乗せることはなく、月に数回だけ線路や架線を点検する為に走ります。 通常の新幹線と比べて運行本数がとても少ないので見ることができたらとてもラッキーな新幹線です。そのレア度の高さから、見ると幸せになれる「幸せのドクターイエロー」なんて呼ばれてたりします。 ドクターイエローを見るなんて夢のまた夢と諦めていました。 運試しで片道1時間もかけ
機械学習のモデルを構築した際、データサイエンティストとしての私たちの最終的なゴールは価値の創造でした。モデルが無かった(あっても今より原始的だった)頃よりも、何かしら良いものを生み出すためにモデルによる予測を活用したいのです。結果に焦点を当てるということはつまり、私たちのモデルのパフォーマンスの最終的な評価は、その有効性によって為されるということです。それは、モデルを利用したアプリケーションが生み出した価値の量として計測されます。この投稿では、ビジネスの価値を最大限にするモデル構築による意思決定を、選択したり理解したりする際の強力なツールとして、データの可視化を活用したいと思います。 分類アルゴリズムにおいて、最も一般的な利用パターンの1つが 閾値(しきいち) です。閾値以上のスコアを持つ全てのケースに対して、何らかの特別な処置を行うのです。以下に例を挙げます。 不正の防止: あなたはソー
The basic concept of Sparse Modeling, Sparse Signal Decomposition, Sparse Coding. スパースモデリングの基礎概念をまとめてみました。主に画像処理の観点で説明しています。
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
処理を実行中です
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