最近bashで引数を持たせるときに \$1,$2を使って変数に引数を入れるのがめんどくさいのとコードが煩雑になるので、 配列が使えないかと思って調べたらdeclareコマンドで変数宣言ができることを知りました。 実際にbashで引数の値を配列を入れるときは以下のようにしています。
![bashで引数を配列処理する - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/f408ffdd546e28cbf833b252eac8fe361a514393/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9YmFzaCVFMyU4MSVBNyVFNSVCQyU5NSVFNiU5NSVCMCVFMyU4MiU5MiVFOSU4NSU4RCVFNSU4OCU5NyVFNSU4NyVBNiVFNyU5MCU4NiVFMyU4MSU5OSVFMyU4MiU4QiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9MWI5MzU3MTJkY2VhNTEzYzA0MjljNDY0Nzg1NTRkNjg%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB5b3NoaXlhNjQmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPThlMDM3MzhkNTgxOThhNzYyODhlOWNkOTQyY2ZmOTcy%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D450b937977c37dd35251a27532e09420)
数列の和の計算にアルゴリズムなんて考える余地はあるのか?と思ったが、誤差についても考える場合、単純な方法以外にも複数のアルゴリズムが存在し使われているということを教えてもらった。 [https://en.wikipedia.org/wiki/Kahan_summation_algorithm:title] [https://en.wikipedia.org/wiki/Pairwise_summation:title] Kahan summation はより高い精度を達成できるが、pairwise summation のほうが高速である。NumPy の sum では pairwise summation algorithm が使われているようだ。 [https://github.com/numpy/numpy/blob/88a66d8d0464caf57f40cf85a24156042e7f
追記 (2016/11/09) SERVERLESSフレームワークでのデプロイのデフォルトがLAMBDAからLAMBDA_PROXYに変更されていました。それに伴い文章の修正を行いました。画像の差し替えはできていません。また、この記事を見て注意書きを増やしました。 はじめに ついに、SERVERLESSフレームワークが正式リリースされました!👏 少し反応が遅れてしまい、すでにv1.0.3(2016/10/24現在)になっていましたが、触ってみたのでまとめました。ちなみに前回のRC版の触ってみたの記事はこちらです。 この記事のゴール AWSと組み合わせてAPIをデプロイするところまで使ってみます。 AWSでは、API GatewayとLambdaを組み合わせてWebAPIを作成できます。それをSERVERLESSフレームワークを通してコマンド一つで簡単にデプロイできるようになります。このフ
本記事について この記事では,現在深層学習について勉強中の私が 新納浩幸 Chainerによる実践深層学習 オーム社 を読んで学んだChainerの基本オブジェクトについてまとめています. 間違った解釈を載せている場合もありますので,おかしな点に気づかれた方はご指摘していただけると幸いです. Chainerについて ChainerはPFI/PFN(株式会社Preferred Infrastructure/株式会社Preferred Networks)が開発する深層学習のフレームワークです. 深層学習を実装する上で必要な計算を行うライブラリを豊富に備えています. 特徴をまとめると, -Python(2.7以上)から利用することができる -あらゆるニューラルネットワークの構造に対応 -動的な計算グラフ構築による直感的なコード -GPUの強力なサポート です. 特に,Linux環境下であれば(基
PR: CADDiではバックエンドエンジニア、フロントエンジニア、アルゴリズムエンジニア、SRE等などを募集しています。 この記事は 初心者C++er Advent Calendar 2016 - Adventar の 2 日目の記事である。 1 日目の記事は Push_backとEmplace_back - Qiita を参照。 応用編は C++ ヘッダとソースでファイルを分ける 応用編 - Qiita を参照。 閑話休題。 C++ では、クラスの定義とそのメンバ関数の定義とを、ヘッダファイルとソースファイルとで分割するのが一般的である。 #ifndef C_HPP #define C_HPP class c { // variable private: int m_value; // acsessor public: int get() { return m_value; } void
PR: CADDiではバックエンドエンジニア、フロントエンジニア、アルゴリズムエンジニア、SRE等などを募集しています。 この記事は C++ Advent Calendar 2016 - Adventar の 2 日目の記事である。 1 日目の記事は C++のつまずきポイント解説 その2 - Qiita を参照。 3 日目の記事は コンパイル中にコンパイルする「コンパイル時Cコンパイラ」をつくった話 - kw-udonの日記 を参照。 3 日目から急に超ハイレベルな内容になっているが わからないならわからないでいい 。いや、よくは無いが怖気づかずに分かる所から始めればよい。 基本編 では、クラスの定義とインラインメンバ関数をヘッダファイルに、その他のメンバ関数をソースファイルに記述する事について書いた。応用編では更にヘッダファイルを細かく分割していく。クラス y の参照を引数として受け取る
All in Slack いまさらですが Slack を使い始めました。チャット用途ではなく、RSS 読むためだけに Feedly 開くの面倒だから何とかしたいというのと、モヒカン Slack に入ったらなかなかよかったためです。 究極のIT系最新技術情報収集用Slackチーム公開 - モヒカンSlack - - Qiita そういえば Twitter も全然開かないし会社の SNS も見なきゃいけないし Instagram は見てるヒマないしたまーに Skype 届くし GoogleCalendar の通知は毎日見逃すし、気づけばスマホにもPCにもいろいろなアプリが常駐してるしいろんなタブが開いてる。 しんどくなってきたので何でもかんでも Slack でまとめてみようと思いました。 Slack でできること・やること RSS Feed を読む、Twitter, Instagram, Ya
この記事は以下の記事の続きです。 ご覧の通り、機械学習分類器3種で傾向スコアを算出してみたらおかしな結果になったわけです。この点について、実は後日2点ほどコメントをいただきました。1つはブコメで、 統計的因果推論(3): 傾向スコア算出を機械学習に置き換えてみると - 渋谷駅前で働くデータサイエンティストのブログ CM接触群と非接触群に分けて、傾向スコアの分布をみてみると、2群のスコアが0.25~0.75でしか重複していません。傾向スコアが0.25~0.75のデータに絞って比較すると、とりあえずは妥当な結論が出ると思います。後は、傾向2016/10/12 21:46 とのことでした。これは確かにその通りかもということで、試してみる価値がありそうです。一方で半可通のMLerとしては以下の[twitter:@toshi_k_datasci]さんからのコメントも気になったのでした。 @TJO_d
こんにちは、iPhone 7 Plusで息子たちの写真をまた撮る回数が増えた気がしています。kjunichiです。 背景 WebGLを使ったデスクトップマスコットアプリのGopheronを開発しており、これまでノーテストだったのだけど、 さすがに2年連続で東京Node学園祭で@t_wadaさんのセッションを聞いたら、テスト書かずにはいられなくなった。 実は CI環境のNightmareでWebGLを動かす方法や、NightmareでWebGL 2.0を動かす方法 なる記事もすでに書いており、今回は実際にうごかすだけ、楽勝のはずだった。。。 必要な物たち Xvfb これは、「Electronアプリ」、 「Travis CI」程度のキーワードでググれば出てる。 Electron公式にも electron/testing-on-headless-ci.md at master · electro
データサイエンティストの中村です。今回はイメージファーストなファッションアイテム検索システムを作ってみたのでそちらの紹介をしたいと思います。 本記事で紹介する技術はIBIS2016でも報告しています。 概要 ファッションアイテムを探すとき、見た目の印象はとても大事な要素です。ファッションは感覚的なものなので、自分が欲しい服について言葉で説明することは難しいですが、そのアイテムの良し悪しは画像を見ただけで判断できるからです。 今回開発した検索システムは見た目の印象を大事にしたいので、画像をクエリとします。ただし、ただの画像検索では面白くないので、色や形状などの属性情報を付加した状態で検索を実行できるようにしました。 例えば、「シルエットは良いんだけど、これの赤いやつが欲しい」のような感覚的な注文を、以下のGIFのように画像に属性を付加する形で拾っています。 よくある検索システムではカテゴリに
2016-12-23更新: 電子書籍書籍版の情報を更新しました。電子書籍版も好評発売中です! Pythonを使ってクローリング・スクレイピングを行い、データを収集・活用する方法を解説した書籍です。 Pythonの基本から、サードパーティライブラリを使ったスクレイピング、様々なサイトからのデータ収集・活用、フレームワークScrapyの使い方、クローラーの運用までを扱っています。 Pythonクローリング&スクレイピング -データ収集・解析のための実践開発ガイド- 作者: 加藤耕太出版社/メーカー: 技術評論社発売日: 2016/12/16メディア: 大型本この商品を含むブログ (3件) を見る クローリング・スクレイピングとPython Pythonは言語自体の書きやすさ、ライブラリが充実していること、データ解析との親和性が高いことなどから、クローリング・スクレイピングに向いている言語です。
先週 (2016/11/16) の「Microsoft Connect();」イベントでアナウンスのあった通り、 Mac 用の Visual Studio がついに(Preview版で)リリースされましたね! Visual Studio for Mac!! インストールはこちらから(無料): visualstudio.com/vs/visual-studio-mac/ それを実際に触ってみましょう! (このツールの目玉はバックエンド(サーバサイド)のプロジェクトまで一緒に作ってくれることだけど、 取り敢えず入門記事として、最初はクライアントだけのものを作ります!) VS for Mac でスマホアプリのテンプレートを「新規作成」 まずVisual Studio for Macを開きます。 VS for Mac が起動し、スタートページが開きます。 「New Project(プロジェクトの新
モバイルアプリサービス部の五十嵐です。 Dockerは軽量でポータビリティに優れ、環境を汚さないので開発環境には無くてはならない存在ですよね!今回はまだDockerを使っていない人向けに、私が自分が辿ってきた経験を元に、『こういうシーンでDockerを使うと便利』というのをステップ・バイ・ステップで説明していきます。 対象読者 Dockerはなんとなく知っていて興味はあるけど、使い所や導入するメリットが分からないという人を対象にしています。 環境 Docker for Mac(Docker 1.12.3) Dockerについて Dockerは複数のコンポーネントからなるプラットフォームですが、本記事では主にDocker EngineのことをDockerと呼びます。 Dockerはコンテナと呼ばれる仮想化技術を用いています。従来の仮想化技術と異なる点は、ホストのカーネルをコンテナと共有し、ホ
2016年度中に5ペタFLOPS(1秒当たりの浮動小数点演算性能)のGPUインフラを使えるようにする――。AI(人工知能)分野で国内トップ級の技術力を持つスタートアップ企業、Preferred Networks(PFN)が社内で掲げる目標である。 ディープラーニング(多層ニューラルネットを使った機械学習)は、画像認識からロボティクス、自然言語処理まで適用が進み、大きな成果を挙げている。 そのディープラーニングの学習を担う要となるITインフラが、GPU(グラフィックス・プロセッシング・ユニット)搭載サーバーである。 特に米グーグルは、囲碁でプロ棋士を破った「AlphaGo」から、高い精度でテキストを翻訳する「Gogole Translate」まで、ニューラルネットの学習や推論に大量のGPUインフラを活用している。例えばAlphaGoの場合、2015年10月に欧州のプロ棋士と勝負した際は、12
Mac OS X で OpenCV 3 + Python 2/3 の開発環境を整備する方法をまとめます. 今回この方法で導入テストを行なった環境は以下の通りです. OS X 10.10.4 (14E46) Homebrew Python 2.7.10 / 3.4.3 NumPy 1.9.2 OpenCV 3.0.0 Mac OS X + OpenCV 2 + Python 2 での環境構築についてはこちらを参照してください. Homebrew の導入 これについては多くの方が既に導入されていると思いますので省略します. 詳しくは Homebrew の公式サイトを参照してください. NumPy は homebrew-python, OpenCV は homebrew-science に Formula があるので, それぞれ tap しておきます. brew tap homebrew/pyt
10/24に、恒例の卒業研究中間発表会を行いました。今回も他研究室と合同で開催しました。その研究室の先生や学生さんをはじめ、さまざまな方にご聴講いただき、感謝しています。ありがとうございました。 今年度も事前リハーサルやレジュメ&スライド添削など、院生の協力も交えて実施しました。研究室以外の人前での発表には緊張していたようです。終了後は久々の打ち上げを行いました。レク担当の学生さんたちもお疲れさまでした。 その次の週10/29には、3年生セミナーでの企画発表を行いました。こちらもどのようなアプリケーションが出来上がってくるのか楽しみです。 8/7は、恒例の夏休み前4年生卒業研究テーマ進捗発表会を行いました。5月に実施した企画発表時からの進捗や変更と今後のスケジュールなどを、毎週の進捗報告をまとめる形で改めて発表します。夏休みから9月にかけて、引き続き頑張りましょう。 発表会の後は、こちらも
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