Help us understand the problem. What is going on with this article? 会社で働いていると、運用チームからの問い合わせがあると思います。 問い合わせというものは、割り込みに繋がり生産性を下げるのでなるべく減らしていきたいものです。 Redmineで管理されているオープンなチケットを10分の1に削減した話をまとめます。 常時、約50枚ほどオープンなチケットを5枚ほどに減らしました。 問い合わせが多くて辛みを味わっている方の参考になれば。 概要 Web自社サービス タスク管理ツール Redmine 毎日、5枚ほどチケットが増える 運用と開発がそれぞれ20人ほど こんな環境です。 改善のきっかけ うちのチームは、当番制で「問い合わせの窓口」(以下、窓口)となる人を作ります。 窓口の人がチケットを解決したり、有識者にチケットを委譲した
ITエンジニア専門のキャリア相談コミュニティ【FUTURIZM】が運営するIT・Web業界で活躍するエンジニアのための情報サイトです。日々の開発に役立つ技術情報からキャリア、ガジェットまで、エンジニアに役立つ記事を発信中。求人案件/仕事情報を探しているフリーエンジニアの方はこちらへどうぞ。 人気の記事 2017-01-31 iOSもAndroidも同時に開発できる!クロスプラットフォーム開発ツール7個 2016-12-05 師走もハゲめフリーエンジニア!つぶやくだけでハーゲンダッツが当たるフリーエンジニア応援キャンペーン 2016-09-30 自己管理力が加速する!フリーランスにおすすめのスケジュール管理アプリ・ツール8選 2017-01-31 目指す前に仕事内容を知っておこう。ITエンジニアの職種9個の違い 2017-08-02 初心者からPythonを学びたい人が見るべき6個のサイト
はじめに 前回Chainerの新機能、trainerを使ってCIFAR-10の画像分類に挑戦しようとしたのですが、マシンパワーの都合上、動作を確認できずに終わってしまいました。 そこで今回はMNISTを使ったAutoencoderの作成を通してtrainerの使い方を確認していこうと思います。 Autoencoderに関してはこちらの記事を参考にしました。 【ディープラーニング】ChainerでAutoencoderを試して結果を可視化してみる。 ChainerでDeep Autoencoderを作ってみる 実装 MNISTの手書き文字1000個を入力とし、隠れ層を1層通して入力と等しくなるような出力を得るネットワークを作成します。 コード全体はこちらにあげています。 ネットワーク部分 隠れ層のユニット数は64まで絞っています。 また、hidden=Trueで呼び出すと隠れ層を出力できるよ
Gnosy オフィシャル・ブログ に Chainerで畳み込みニューラルネットワークを行う GPU環境用 コード例 が アップされていたので、CPU環境で動くように一部 書き換えて実行してみた。 Hatena Blog Gunosyデータ分析ブログ(2016-07-28)「Chainer 1.11.0 で畳み込みニューラルネットワークを試してみる」 【 CPU実行用に一部、修正したコード 】 import chainer import chainer.functions as F import chainer.links as L from chainer import training from chainer.training import extensions # Network definition class CNN(chainer.Chain): def __init__(se
はじめに chainerが1.11.0になってから結構変わっていたので、自分なりの理解を書きます。 できるだけ、初めてpythonとchainerをやってみる人にも分かるようします(つもりです)。 コードはここ サンプルの中のtrain_mnist.pyというファイルです。 MNIST mnistとは28x28のサイズの数字が書かれた画像のデータセットです。 機械学習で入門用としてよく使われるものです。 ネットワーク class MLP(chainer.Chain): def __init__(self, n_in, n_units, n_out): super(MLP, self).__init__( l1=L.Linear(n_in, n_units), l2=L.Linear(n_units, n_units), l3=L.Linear(n_units, n_out), ) def
OSX向けに画像切り出しツールを作りました。 https://github.com/t-ae/ImageTrimmer 動機 近々こういうのが必要な案件が来そうな気がした OSX向けアプリを作ったことがないのでやってみたかった SwiftやRxSwiftのバージョンアップへのキャッチアップ 仕事がなくて暇だった 要件 30分ほど手動で切り出しをして要件を洗い出しました。 一枚の画像中にPositiveな箇所が複数あり、Negativeも同一画像から取ることを想定 二値分類のための画像をできるだけ早くたくさん作る 切り出し部分がわかりやすいように とりあえず案件特化で汎用性は後々 できたもの https://github.com/t-ae/ImageTrimmer GIMPでちまちまやってるとサイズ揃えるの面倒だなーというのがあったのでサイズ固定での切り抜きは真っ先に実装しました。 あとNe
Kivyプログラミング ―Pythonで作るマルチタッチアプリ― (実践Pythonライブラリー)posted with カエレバ原口 和也 朝倉書店 2018-06-25 Amazonで探す楽天市場で探すYahooショッピングで探す 目次 目次 はじめに 1. iOS,AndroidのGUIを作ることはできない。 2. ライセンスが微妙 kivyとは? 各プラットフォームへのインストール方法 Macへのインストール Macへのインストール(for iOS) Ubuntuへのインストール Windowのインストール 各プラットフォームでHello world GUIを表示する方法 MacでのHello world GUI UbuntuでのHello world GUI WindowsでのHello world GUI iOSでのHello world GUI 1. アプリのディレクトリを作
Python用に色々とあるGUIライブラリですが、個人的にはQtと迷って結局wxPython(wxWidgetsのPythonバインディング)を使ってますが、もしかしたらQtにしておけばよかったのかなぁと多少後悔もしつつも、wxでかなり満足していたりもします。Qtに多少浮気した結果、Qtの大量の個別インポートは理にかなっているとは思いつつもなんか好きになれず、やっぱりwxの方が性にあっていると思う今日此の頃。 まあ、研究者むけのGUIライブラリのまとめというのはそうなさそうじゃないだろうかということで、使ったことのあるものないものも含めいろいろと聞き及んだことを書いてみます。とは言え、主に汎用GUIライブラリの話なので一般的にも参考になるかと思います。 GUIプログラムが初めてで、いまから始めるならPython3にも対応しているQtがいいんじゃないかと思います。(追記:最近wxPython
はじめに Vagrantで仮想マシンを作成しつつRuby on Rails開発環境を構築していました。 Vagrantの本家サイトのガイドに従って作成していたのですが、各コマンドが自分の環境にどんな変化を与えるのかが知りたくなりました。 コマンドで状態を確認する方法はあるのですが、どこに何のファイルが、いつ作られるのかが気になり、作成されるファイルを中心に調べてみた結果が以下の通りです。 概要 環境 software version Ubuntu(ホストOS) 12.10 LTS 32bit Ubuntu(ゲストOS) 13.10 Server 32bit VirtualBox 4.3.6.r91406 Vagrant 1.4.3 項目 "vagrant box add"は何をする? "vagrant init"は何をする? "vagrant up"は何をする? おまけ 1."vagran
やあやあ病人です。今日は特に予定もないので、最近読んだ論文の中から、適当にいくつかピックアップして紹介したいと思います。 Memory-efficient Tail Calls in the JVM with Imperative Functional Objects JVM における TCE(Tail Call Elimination) については、長い間研究されてきています。六年前に JVM での TCE についての Odersky 先生の論文を紹介する記事を書いたりもしました。もう六年前…こちらの論文は TCE の実現における常套手段が JVM では通用しないよという話や、historical な話が面白くて、実際の提案手法は、まあダメでしょ…みたいなものだったのですが、今回の論文の手法はかなり良いと思います。 JVM で TCE というと、矢張り Trampoline です。Tra
第6回 「CUDAプログラミングモデル①」 << 第5回 | 目次に戻る | 第7回 >> 今まで色々とCUDAを用いたGPUコンピューティングについてお話してきましたが、いまいちCUDAってまだよく分からないという方もいるかもしれません。 今回は、CUDAがどうGPUと絡んでくるのか、C言語とどう違うのかなど、CUDAプログラミングの概念についてなるべく分かりやすく要点を押さえて解説していきたいと思います。このCUDAプログラミングモデルこそGPUコンピューティングのキモになってきますので、しっかりと勉強するため次回と合わせて2回に分けてお送りします。 それではまずはもう一度CUDAについての話から始めましょう。 NVIDIAはGPUシリーズを開発・展開していく中で、2006年に発表されたGeForce 8800では、それまでハードの部分でグラフィックス専用の構造だったと
Markdownで簡単に書けるWikiのようなものを探していたらよさげなのを見つけました Crowi Crowi - The Simple & Powerful Communication Tool Based on Wiki (github) この記事を書いた時のCrowiのバージョンは1.4でした。 最新バージョンでの導入とは差異があるみたいです。 Markdownがリアルタイムプレビューで書ける 投稿ユーザが設定できる nodejsとmongodbで動いて軽量 動作も軽快 インストール 環境 Ubuntu 16.04.1 LTS (VirtualBox) MongoDB 3.2.10 Node.js 4.6.1 Crowi 1.4 準備 Crowiはgithubで管理されてるのでgitをインストール Node.jsのモジュールのコンパイルのためにbuild-essentialとpyt
Digdag が Apache License 2.0 の元でオープンソース化されましたよ! さぁ試すんだ…! 今すぐにでも! https://t.co/Uzc4a5GLCe ドキュメント:https://t.co/PF8wy5KHln — Sadayuki Furuhashi (@frsyuki) 2016年6月15日 という訳で試してみました。注目度の高かったワークフローエンジン『Digdag』がついにOSS化されました!Githubリポジトリ及びドキュメントは以下となります。 treasure-data/digdag: Workload Automation System Getting started — Digdag 0.8 documentation 目次 インストール 環境の準備 Digdagのインストール実施 その他ドキュメントの内容について Digdagサンプルワークフロ
スタートアップ&インクリメンタル開発 をターゲットにした、Eclipse Pluginとして作成されている ERDツールです。 (ERMaster をフォークした ERMaster-b をフォーク) ERFluteトップページ RDB意識を高める根本のモデル ERDは、RDB意識を高めるモデルだと考えています。やはり「視覚的な訴え」というのは、人にとって大きなインパクトです。 これはjfluteの個人的な感覚値ですが、"ERDのある現場" と "ない現場" では、RDBへの意識レベルが違ったように思えます。 "ない現場" では、SQLに関する議論もしづらく、「DBは単なる入れ物でたまたま構造的に保存されてる」という感覚になっているムードがあったように思えます。(もちろん個人差ありますが、現場メンバーのスキルレベルはバラバラですから) 自分がディベロッパーとして仕事をするとき、そこにRDBが
背景 Python 2 用のコードを書くときは、 Python 3 対応を見越して # -*- coding: utf-8 -*- from __future__ import division, print_function, absolute_import をテンプレとして書いています。 __future__ はファイルごとにバラバラだと混乱を招くので、今関わってるプロジェクトでもこれを新規ファイルのテンプレとして登録してもらってます。 Python 3 の構文、リテラルを有効にする __future__ のうち、 unicode_literals だけは今まで使っていなかったのですが、ふと「あ、やっぱり使うべきだな」と思いついたので、そのへんをまとめます。 第三の文字列型 native string Python 2 には2つの文字列型 str (bytes) と unicode が
c > Damerau–Levenshtein distance 実装 > 特定の文字列に対するコストに緩急つける > v0.2algorithmLevenshtein#migrated /* v0.2 2016 Oct. 21 - use cost from functions given below - add calc_cost_transposition() - add calc_cost_substitution() - add calc_cost_deletion() - add calc_cost_insertion() - increase size of DA[] for 128x128 v0.1 2016 Oct. 19 - branched from stackoverflow post(*1) [*1] http://stackoverflow.com/questi
はじめに Chainerで学習させたモデルをC++で読み込んで使いたい。しかし、ChainerはPythonライブラリであるため、なんらかのデータ変換が必要となる。普通にChainerのモデルを保存する時はchainer.serializers.save_npzを使うと思う。これはnumpyのnpz形式で、実体はZipアーカイブなので、それをそのままC++から読み込もうとすると、zlibを使ってzipを解析して・・・となると思うが、これはとても面倒くさい。PythonフレンドリーなデータフォーマットをC++から読み込むより、C++フレンドリーなデータフォーマットをPython側から書き出してしまう方が楽だろう。というわけで、 学習させたモデルをchainer.serializers.save_npzで保存する 保存したデータをPythonスクリプトで読み込んで、生floatのバイナリで保存
前回の更新(2016/3/18)からいろいろあってだいぶ間があいてしまいましたが、気を取り直してまた何か書いていこうと思います!しばらくは、Deep Learningのライブラリ Keras を使ってさまざまな実験をしていきます。Theanoでの実装(2015/4/29)はきついのでもう止めます(笑) 当面は、 The Keras Blog Keras examples Keras resources Machine Learning Mastery の面白そうなプログラムや記事を参考にKerasの使い方をまとめていこうと計画しています。記事の翻訳ではなく、自分なりに理解して試行錯誤した結果をかみ砕いてまとめていく予定です。まあ元記事の方が質が高いかもしれないけど・・・ 上のリンク集を見るとわかりますが、海外ではKerasによる実装をあちこちで見かけるのでけっこう普及しているようです。日本
2016 - 10 - 21 片付く書類のしまい方(家庭の整理収納編) 整理収納 ミニマリスト にはなれないけれど、モノを極力増やさないシンプルな暮らしを心がけています。 お片付け・断捨離・インテリア等を中心に日々の生活を綴っています。 そろそろ年末調整に提出する「保険料控除」の手紙が届き始めています。 急に気持ちが、そわそわしてきます(笑) 書類の整理 さて、このブログを自宅で読んでいるあなた! そうそう、そこのあなたですよ~ 今すぐ、ダイニングテーブルを見てください! テーブルの上に、郵便物やレシートや領収書は置いていませんか?(笑) 私は、少し前に届いた保険料控除の手紙が置いてありました・・・・(-_-;) 直ぐにクリアファイルにしまおうと、置きっ放しになっていました。 一時置きのトレイも用意していたのですが、そこも直ぐにいっぱいになってしまいます。 これではいけないと思い、書類の収
始めに 最近ウェブ開発でローカル環境を使って欲しいなぁ、とすごく思うようになりました。 慣れてしまえば開発効率が上がると思うんですけど、その導入が大変なんですよね。 仕事で一緒になった方々に手作業で構築していましたが、もっと簡単にできないかなということで作りました。 Mac用です。名前はDAMP(Docker Apache MySQL PHP。 XAMPP, MAMPから取りました。)です。 Apache、MySQL、PHPが動きます。 (2018年11月8日)PHP7.2に対応しました 1.7.2でPHP7.2に対応しました。 https://github.com/yousan/damp/releases/tag/1.7.2 サンプルのdocker-compose.ymlはこちらです。 https://github.com/yousan/damp/blob/master/docker-c
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