本当に使ってよかったOpenAPI (Swagger) ツール | フューチャー技術ブログ
サードパーティ製のツール本家からは上述のツールが提供されていますが、サードバーティ製の様々なツールが世の中には存在します。 エコシステムが成熟しているのもSwaggerを利用するメリットの一つですね。 https://openapi.tools/ 冒頭のとおり、このサードパーティ製のツールの中で実際に利用して良かったツールを3つご紹介したいと思います。 Stoplight Studiohttps://stoplight.io/studio/ 1つ目のツールは「Stoplight Studio」というAPI仕様を記載するためのGUIエディタとなります。 今までSwagger Editorを利用してYAMLを書いていたそこのみなさん、YAML筋力はもう必要ありません。 Design APIs 10x faster の謳い文句どおり、Stoplight Studioを使えばGUIで直感的に、高速
オープンソースのWebアプリケーション分析ツール「Cube.js」
「Cube.js」は、npmやyarnでインストールできるオープンソースのWebアプリケーション用分析ツールです。RDBだけでなく、AWS AthenaやGoogle BigQueryなどのサーバーレスクエリエンジンと連携するように設計されています。機能が非常に豊富なので、今回は初期セットアップに的を絞ってご紹介します。 ◆ オープンソースのWebアプリケーション分析ツール「Cube.js」 https://cube.dev/ 紹介 「Cube.js」は、GUIも完備した高機能なWebアプリケーション分析ツールです。 インストール $ npm install -g cubejs-cli # or $ yarn global add cubejs-cli npmまたはyarnでインストールします。 $ cubejs create <プロジェクト名> -d <データベースタイプ> （データベー
超簡単 Kerasで複数Input統合モデル - Qiita
Kerasで複数の情報を入力して、途中で結合する方法を紹介します。 この方法は、例えば以下のように画像とテキストを使って予測モデルを作る場合などに有効です。リンク先参考。 ImageDataGeneratorを使いつつ統合する方法は、記事「KerasのImageDataGeneratorを使いつつ複数Input統合モデル」を参照ください。 処理概要 以前、記事「【Keras入門(1)】単純なディープラーニングモデル定義」で紹介した以下の図の配列dataを2つに分解して統合するモデルにしてみます。 処理プログラム プログラム全体はGitHubを参照ください。 ※なぜか直接GitHubで見られずに、nbviewerなら参照できました。nbviewerにhttps://github.com/YoheiFukuhara/keras-for-beginner/blob/master/Keras09_
「スタバなう」ツイートをニューラルネットで学習してラーメン判定器を作る(keras+Tensorflow+VGG16) - Qiita
この記事の抜粋したコードの完全版はGitHubでご覧いただけます。 また、この記事で作成したモデルはTwitterのスタバ警察botで実際に試せるので、ご興味があれば適当な画像を「スタバなう」という文字列と一緒にリプライしてみてください。 こういうtweetが機械学習界隈からの怒りを買ってます(笑) https://t.co/COV1IHyh03 — Yuki Suga (@ysuga) July 26, 2019 というツイートからも分かるように、現在のスタバなうツイートは完全に関係ない画像で蹂躙されており、実際にスタバで撮影された画像は全体の24%しかありません。 逆にここまで来ると、残り76%の画像に着目した方が良いのではという気すらしてきます。 というわけで、「スタバなうと言いながら投稿される関係ない画像」の筆頭であるラーメンの分類器を、スタバなうツイートだけで作れるかどうか試して
14441-using-iperf3-to-test-ec2-bandwidth
ACG for IndividualsMaster the skills to drive your careerGet certified, master modern tech skills, and level up your career — whether you’re starting out or a seasoned pro. 95% of ACG learners report our hands-on content directly helped their careers. Get certified with 100+ certification coursesStay motivated with engaging instructorsBuild skills your way, from labs to coursesKeep up with the lat
AIスピーカーをもっと賢く、エヌビディアが自然言語処理を超高速化
チップメーカーのエヌビディアは、GPUチップ上で動作する言語理解の人工知能（AI）プログラムの開発を支援するソフトウェアを発表した。機械学習モデルの訓練および訓練済みモデルの実行をスピードアップできるだけでなく、より大きな言語モデルを訓練することが可能となるという。 by Will Knight2019.08.19 83 41 17 2 人工知能（AI）はこの10年間で目覚ましい進歩を遂げたが、言語理解についてはまだお粗末としか言いようがない。試しにちょっとアレクサと機知に富んだ冗談を言い合ってみれば分かる。 数多くのAIアルゴリズムを実行しているコンピューターチップの製造メーカーであるエヌビディアは、この状況はもうすぐ変わると考えている。爆発寸前である言語理解の分野で利益を得ようと狙っているのだ。 エヌビディアは8月13日、同社製ハードウェア上でより洗練された方法で言語を扱うAIプログラ
scikit-learn-contrib の Metric Learning を試す - u++の備忘録
Metric Learning について Metric Learning は、データの教師情報を基にデータ間の距離や類似度などの Metric を学習する手法です。日本語で手軽に読める記事だと、*1, *2 などが詳しいです。 このたび、phalanx さんの tweet *3で、 Metric Learning の基礎的なアルゴリズムのいくつかが scikit-learn-contrib *4に搭載されていると知りました。 本記事では、scikit-learn-contrib の metric-learn パッケージを用いて、簡単にMetric Learning を試します。 インストール README や PyPI *5 に記載のある通り、次の通りにインストールします。 pip install metric-learn 利用するデータセット 今回は、sklearn に含まれている lo
短歌の5文字を入力→残りの「7・5・7・7」自動生成 5000首学んだ「恋するAI歌人」現る
NTTレゾナントは8月8日、短歌の最初の5文字を入力すると、残りの26文字をAIが自動生成するサービス「恋するAI歌人」を公開した。短歌の専門誌「短歌研究」を発行する短歌研究社のWebサイト上で、同日から9月9日まで利用できる。 NTTレゾナントが開発したAI対話エンジン「gooのAI」を活用し、歌人の与謝野晶子や岡本かの子などの恋愛に関する歌集から約5000首を学習させた。 その際、単語を赤や青などの色にひも付けてAIに学習させ、色のイメージを効果的に使った短歌を作れるように工夫。例えば、緑のグループに「苔」や「草」など色調の似た単語を分類し、文脈によってAIが同じ色のグループの単語を使い分けるという。 記者が試しに「夏休み」と入力したところ、20秒ほど考えた末、「夏休み 庭に椿は ただひとつ ひとの海ぞと あはれなりけれ」という句を詠んでくれた。 これまでもNTTレゾナントは、Q＆Aサ
第１２回 Raspberry Pi で監視カメラを作ろう！ ～動画配信(RTSP)編～ - Qiita
Raspberry Piと専用のカメラモジュールを使用し、ONVIF対応の監視カメラを作成するシリーズ記事です。 本記事はリンク情報システム株式会社の有志が作成しています。 動画配信の方法としては、古くから使われるRTSPや、Apple関係で標準となっているHLS (Http Live Streaming)が考えられます。 HLSは名前の通りHTTPを使用しているため、インターネット環境での親和性が高いのですが、動画ファイルを数秒単位の長さに分割し、細切れに送信するため、再生時には秒単位でのバッファリングが必要となります。 その為、カメラからの動画をリアルタイムで表示する用途には向きません。 今回は、監視カメラとして、ある程度のリアルタイム性も確保したいと考えているため、RTSPを使用して動画配信を作ります。 動画配信 (RTSP) live555を使用してRTSP配信 RTSPによる動画
Build a Raspberry Pi powered live train station sign for your desk - balena Blog
Regardless of if you’re soldering directly to your Raspberry Pi or not, you’re almost certainly going to have to solder wires to the display. When I first developed the project I used some of the usual male Dupont/jumper jerky cables cut in half so that I could easily connect them to a Pi with headers and correct any mistakes with pinout should they occur. Set up the software The process of settin
ngrokよりserveoがすごい。０秒で localhostを固定URLで公開 - Qiita
注意 serveoがサービス停止中です。 みんな大好きcloud functionには欠点があります。 それは、実際にコードをデプロイしないと、httpsで公開できないこと。 そのため、slackのコマンドを作ったり、ラズベリーパイとかを開発するのに不便だったりします。 以前私はngrokというcliアプリを使っていました。 とても使いやすく、ユーザー登録＋ngrokのインストール＋セットアップだけで使い始めることができます。 お金を払えば固定URLもゲットできます。 しかし、今回もっと良いものを見つけたので紹介します。 serveoです。 なんとこのserveoインストールもセットアップも不要です。 ターミナルで、以下のように ssh -R 80:localhost:3000 serveo.net と打つだけで自分のPCのlocalhost:3000を、固定URLでhttpsとして公開し
人間の感情を分類できるAI、コロラド大とデューク大が開発
人工知能（AI）はいつか人間の感情を私たちよりもうまく伝えられるようになるかもしれない。コロラド大学とデューク大学の研究者によって開発されたニューラルネットワークモデル「EmoNet」は、画像を11種類の感情カテゴリーに正確に分類することに成功した。 この研究に関わった研究者の1人であるPhilip Kragel氏によると、ニューラルネットワークは、一連のフィルターを学習することによって、入力信号を興味深い出力にマッピングすることを学習するコンピューターモデルだという。例えば、バナナを検出するように訓練されたネットワークは、形や色など、バナナに固有の特徴を学習する。 EmoNetの開発に使われたデータベースには、不安や関心、悲しみ、驚きなど、27種類の感情カテゴリーを表す2185本の動画が含まれていた。このモデルは「切望」「性的欲求」「恐怖」に関連する画像を信頼性の高い間隔で区別できたが、
リッジ回帰とラッソ回帰の理論と実装を初めから丁寧に - Qiita
はじめに 前回の記事で重回帰分析の導入をしてみたので、今回はその続きということで、2つ同時にやってみたいと思います。 ベクトルの微分公式については下記のブログが参考になります。 もしこの記事がお役に立てた時はQiitaのイイねボタンを押していただけると励みになります。 参考記事 「ベクトルで微分・行列で微分」公式まとめ 重回帰分析 リッジ回帰について考える際に、重回帰分析の理解はマストになるのでここでも見ていこうと思います。式変形については、前回の記事で詳しく導入したので少しだけ端折っていきます。 準備 説明変数$x_1, x_2, x_3, \cdots, x_m$を$\boldsymbol{x}$（$x$のベクトル）とする 予測値を$\hat{y}$とする（$\hat{y}$はスカラー） 回帰係数を$w_1, w_2, w_3, \cdots, w_m$を$\boldsymbol{w}
Free vectors icons
No notifications to show yet You’ll see useful information here soon. Stay tuned!
Docker development best practices
The following development patterns have proven to be helpful for people building applications with Docker. If you have discovered something we should add, let us know. How to keep your images small Small images are faster to pull over the network and faster to load into memory when starting containers or services. There are a few rules of thumb to keep image size small: Start with an appropriate b
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
Jekyll を使用して GitHub Pages サイトにテーマを追加する - GitHub Docs
Top 5 Natural Language Processing Python Libraries for Data Scientist.
Deep Reinforcement Learning with Python and Keras
3 Beginner-Friendly Techniques to Extract Features from Image Data using Python
【Chrome拡張】このWebサイトいいね、どんなソフトウェアやサービスを使っているの？
