Evernote デスクトップ版v10.4.4を使っていて、今更気付いたのだが、markdownが書けるようになってとても助かる。
昔も、少しは書けたような気がするが、いつの間にかかなり快適に書けるようになっている。
マークダウン書式を書くと、どんどんリアルタイムに変換していってくれる。それなりにいろんなものに対応している模様。
```
テーブルは出し方がよくわからない。まあ、Markdownでテーブルを書くの自体、面倒なので、まあできなくてもいいか。
2021/04/10 テーブルの出し方がわかった。(指摘くださった方ありがとうございました。)
[][]
これで、1行2列分のセルが出た！！！
10年くらいここでやってきたが、ここらでこのブログを休止して、はてなブログで書きます。理由としては、
まとめると、
今までよりも時間の制約がある生活の中で、書き慣れたMarkdown記法を使って素早くブログを書きづづけていきたいため、より適した環境を選択する
ということで、今までの記事はライブドアブログに残しつつ、新しくこちらに書いていきたいと思う。
markdownで書いたブログ内容を、AtomPubAPIで、ライブドアブログに投稿した。
ライブドアブログをmarkdownで書きたい。
大まかな手順は以下。
変換は、pythonのmarkdown2パッケージを使うのでインストール。
pip install markdown2
ちなみに、markdownというパッケージもあるが、ascii文字しか対応していないのでだめだった。
ここは、雑多な処理なので詳細は省略するが、ソースコードのセクションなどは、 preタグにうまく置き換わらない場合があるので、それに対応したりした。
こちらに従って、コーディングした。
markdownで書いたブログ内容を、AtomPubAPIで、ライブドアブログに投稿できるようになった。だいぶ作業が楽になりそう。
kerasで、MNISTのサンプルを実装し、動かしてみた。
kerasを初めて使ってみる。手始めに、MNISTの手書き文字判別のNNを実装してみる。
import os import keras from keras.models import Sequential from keras.layers import Dense
784ニューロンの入力層、中間層は128, 64, 出力層は10の全結合NNを定義
model = Sequential()
model.add(Dense(units=128, activation='relu', input_dim=784))
model.add(Dense(units=64, activation='relu', input_dim=128))
model.add(Dense(units=10, activation='softmax', input_dim=64))
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True),
metrics=['accuracy'])
from keras.datasets import mnist (xtrain, y_train), (x_test, y_test) = mnist.load_data()
batch_size = 100
epochs = 10 # 終了エポック
initial_epoch = 0 # 開始エポック
x_train = x_train.reshape(60000, 784) # 2次元配列を1次元に変換
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32') # int型をfloat32型に変換
x_test = x_test.astype('float32')
x_train /= 255 # [0-255]の値を[0.0-1.0]に変換
x_test /= 255
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)
from keras.callbacks import ModelCheckpoint
fpath = 'weights.{epoch:04d}.hdf5'
cb = ModelCheckpoint(
fpath, # 保存先ファイルパス
verbose=1, # コマンドライン出力
savebestonly=True) # 精度が良くなった時だけ保存
weighthdf5 = "weights." + str(initialepoch).zfill(4) + '.hdf5'
if os.path.exists(weighthdf5):
model.loadweights(weighthdf5)
print(weighthdf5 + " loaded.")
else:
print(weight_hdf5 + " not found.")
model.fit(xtrain, ytrain,
epochs=epochs,
initialepoch=initialepoch,
batchsize=batchsize,
validationdata=(xtest, y_test),
callbacks=[cb, tsb])
classes = model.predict(xtest, batchsize=batch_size)
score = model.evaluate(xtest, ytest, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
10エポックだけやってみた。ちゃんと学習できていそう。
weights.0000.hdf5 not found. Train on 60000 samples, validate on 10000 samples Epoch 1/10 60000/60000 [==============================] - 2s 35us/step - loss: 0.4187 - acc: 0.8800 - valloss: 0.2162 - valacc: 0.9380 Epoch 00001: valloss improved from inf to 0.21623, saving model to weights.0001.hdf5 Epoch 2/10 60000/60000 [==============================] - ETA: 0s - loss: 0.1933 - acc: 0.944 - 2s 35us/step - loss: 0.1931 - acc: 0.9440 - valloss: 0.1542 - val_acc: 0.9546 Epoch 00002: valloss improved from 0.21623 to 0.15421, saving model to weights.0002.hdf5 Epoch 3/10 60000/60000 [==============================] - 2s 33us/step - loss: 0.1426 - acc: 0.9578 - valloss: 0.1216 - val_acc: 0.9628 Epoch 00003: valloss improved from 0.15421 to 0.12159, saving model to weights.0003.hdf5 Epoch 4/10 60000/60000 [==============================] - 2s 26us/step - loss: 0.1128 - acc: 0.9667 - valloss: 0.1126 - val_acc: 0.9657 Epoch 00004: valloss improved from 0.12159 to 0.11258, saving model to weights.0004.hdf5 Epoch 5/10 60000/60000 [==============================] - ETA: 0s - loss: 0.0939 - acc: 0.972 - 2s 30us/step - loss: 0.0938 - acc: 0.9725 - valloss: 0.0992 - val_acc: 0.9697 Epoch 00005: valloss improved from 0.11258 to 0.09921, saving model to weights.0005.hdf5 Epoch 6/10 60000/60000 [==============================] - 2s 34us/step - loss: 0.0794 - acc: 0.9771 - valloss: 0.0882 - val_acc: 0.9737 Epoch 00006: valloss improved from 0.09921 to 0.08821, saving model to weights.0006.hdf5 Epoch 7/10 60000/60000 [==============================] - 2s 33us/step - loss: 0.0684 - acc: 0.9799 - valloss: 0.0880 - val_acc: 0.9726 Epoch 00007: valloss improved from 0.08821 to 0.08802, saving model to weights.0007.hdf5 Epoch 8/10 60000/60000 [==============================] - 2s 31us/step - loss: 0.0595 - acc: 0.9827 - valloss: 0.0803 - val_acc: 0.9741 Epoch 00008: valloss improved from 0.08802 to 0.08034, saving model to weights.0008.hdf5 Epoch 9/10 60000/60000 [==============================] - 2s 33us/step - loss: 0.0530 - acc: 0.9844 - valloss: 0.0779 - val_acc: 0.9751 Epoch 00009: valloss improved from 0.08034 to 0.07787, saving model to weights.0009.hdf5 Epoch 10/10 60000/60000 [==============================] - 2s 30us/step - loss: 0.0461 - acc: 0.9867 - valloss: 0.0826 - val_acc: 0.9749 Epoch 00010: val_loss did not improve from 0.07787 Test loss: 0.08257695595924743 Test accuracy: 0.9749
kerasで、MNISTのサンプルを実装し、動かしてみた。
Raspberry piで、scipyをインストールしたとき、
sudo apt-get install scipy
だと、0.18.1がインストールされる。
しかし、バージョンが古いので、
sudo pip install scipy --upgrade
をやるが、途中で止まる？？？
と思ったが、単に時間がかかっているだけで、1.5時間後くらいに、以下の表示が出て終了した模様。
Successfully built scipy
Installing collected packages: scipy
Found existing installation: scipy 0.18.1
Uninstalling scipy-0.18.1:
Successfully uninstalled scipy-0.18.1
Successfully installed scipy-1.1.0
念のため、バージョンを確認のため、
import scipy scipy.__version__
をすると 、無事1.1がインストールされていた。
ちなみに、pandasについても同様で、
sudo pip install pandas --upgrade
で時間はかかるが、ちゃんとインストールされた。
