2020-05-16

Error: Cannot find module 'sass' の対応

vue

事象
対応

事象

internal/modules/cjs/loader.js:583
    throw err;
    ^

Error: Cannot find module 'sass'
    at Function.Module._resolveFilename (internal/modules/cjs/loader.js:581:15)
    at Function.Module._load (internal/modules/cjs/loader.js:507:25)
    at Module.require (internal/modules/cjs/loader.js:637:17)
    at require (internal/modules/cjs/helpers.js:20:18)

vueプロジェクトにてnpm run devすると、Error: Cannot find module 'sass'と怒られた

対応

 npm install --save sass

もう一度npm run devしたらfibersがないと怒られたので

Error: Cannot find module 'fibers'

 npm install --save fibers

起動できた。

2020-05-11

Vue.jsプロジェクトにて、e2eテストが失敗する

事象
原因
対応

事象

> node test/e2e/runner.js

Starting selenium server... started - PID:  40935

[Login] Test Suite
======================

Running:  ログイン
{ parser: "babylon" } is deprecated; we now treat it as { parser: "babel" }.

Error retrieving a new session from the selenium server

Connection refused! Is selenium server started?

原因

不明

対応

node v10.にしてnode_modules入れ直すと動いた。

2020-04-11

MNISTデータセットからモデルを作成する

PythonとKerasの勉強 Python Keras

MNISTデータセットについて
必要なモジュールを準備
データセットの読み込み
ニューラルネットワークモデルの構築
コンパイルステップ
画像データの前処理
ラベルの準備
ニューラルネットワークモデルの学習
テストデータによる精度確認

MNISTデータセットについて

MNIST(Mixed National Institute of Standards and Technology database)
手書き数字(0~9)が格納されたデータセット
MNISTは、エムニストと読む

必要なモジュールを準備

jupyter
keras
tensorflow

> pip3 intstall jupyter keras tensorflow

データセットの読み込み

from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 訓練データの確認
print(train_images.shape)
print(len(train_labels))
print(train_labels)

(60000, 28, 28)
60000
[5 0 4 ... 5 6 8]

60,000個の訓練データが存在する。手書きの画像データの大きさは28×28

# テストデータの確認
print(test_images.shape)
print(len(test_labels))
print(test_labels)

(10000, 28, 28)
10000
[7 2 1 ... 4 5 6]

10,000個のテストデータが存在する。画像の大きさは同じく28×28

ニューラルネットワークモデルの構築

# ニューラルネットワークモデルの構築
from keras import models
from keras import layers

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28, )))
network.add(layers.Dense(10, activation='softmax'))

何をしているかは後で調べる。

コンパイルステップ

# コンパイルステップ
network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

何をしているかは後で調べる。

画像データの前処理

#　画像データの前処理
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

(60000,28,28)の3次元データを(60000,784)の2次元データに変換

ラベルの準備

# ラベルの準備
from keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

0~9のラベルの値をone-hotエンコーディングする。

ニューラルネットワークモデルの学習

# ニューラルネットワークモデルの学習
network.fit(train_images, train_labels, epochs=5, batch_size=128)

Epoch 1/5
60000/60000 [==============================] - 1s 19us/step - loss: 0.2561 - accuracy: 0.9261
Epoch 2/5
60000/60000 [==============================] - 1s 18us/step - loss: 0.1060 - accuracy: 0.9680
Epoch 3/5
60000/60000 [==============================] - 1s 18us/step - loss: 0.0704 - accuracy: 0.9787
Epoch 4/5
60000/60000 [==============================] - 1s 18us/step - loss: 0.0511 - accuracy: 0.9844
Epoch 5/5
60000/60000 [==============================] - 1s 18us/step - loss: 0.0384 - accuracy: 0.9884

lossは損失値、accは正解率を表す。

テストデータによる精度確認

# テストデータによる精度確認
test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)

10000/10000 [==============================] - 0s 19us/step
test_acc: 0.9790999889373779

以上、MNISTデータセットを判定するモデルを作成した。

github.com

nbviewer.jupyter.org

2020-03-30

FOSSASIA Summit 2020 Singaporeで発表しました！

イベントエンジニア

FOSSASIA

先日、自転車盗難LINEBotについて、FOSSASIA Summit 2020 Singaporeで発表しました。振り返りのため記事にしました。 summit.fossasia.org

FOSS ASIAについて
コロナ影響によるオンライン参加
実際のプレゼン内容
スライド内容
振り返り
- 自転車盗難推測LINEBotについての解説記事はこちら

FOSS ASIAについて

FOSS：Free Open Source Softwareの略で、開発者とベンダーやユーザの繋がりを生むのを目的とするイベント。スピーチ、ワークショップや、ポスティングなどの展示があり、OSSであることに重きを置いており、テーマ（Hard Ware/AI/Cloud/...etc）は多岐に渡る。

コロナ影響によるオンライン参加

CFPが受理されてスピーカーとして現地シンガポールで登壇する予定でした。

しかし、フライト数日前にコロナウィルスの影響により渡航者の隔離要請が発令され、シンガポールに到着できてもホテル待機になってしまうため、現地参加することはできませんでした。

ただ、運営の方達が参加できなくなったスピーカの、タイムスケジュールを確保してくれており、オンラインで発表することができました。当日の会場では、YouTube上で各スピーカのプレゼン動画がタイムスケジュールごとに同時再生されました。質疑応答についてはリアルチャットで実施されました。

実際のプレゼン内容

www.youtube.com

スライド内容

speakerdeck.com

振り返り

人生初の英語のCFP・プレゼンから、自分の英語力の無さを改めて痛感しました。（資料作成より、メールのやりとりが一番しんどかった。旅程作成してくれ→それを送付してくれなど）

ただ、英語で発信すれば自分の作品を世界中にアピールできる事を改めて感じたイベントでした。今後は、技術ネタを勉強しつつ、英語も勉強していこうと思います。

自転車盗難推測LINEBotについての解説記事はこちら

kawakeee.hatenablog.com

2020-03-24

【Pythonで解くLeetCode】 1. Two Sum

データ構造とアルゴリズム Python LeetCode

問題
与えられたコード
解答コード
学習メモ

問題

leetcode.com Given an array of integers, return indices of the two numbers such that they add up to a specific target.

You may assume that each input would have exactly one solution, and you may not use the same element twice.

Example:

Given nums = [2, 7, 11, 15], target = 9,

Because nums[0] + nums[1] = 2 + 7 = 9,
return [0, 1].

与えられたコード

class Solution:
    def twoSum(self, nums: List[int], target: int) -> List[int]:

解答コード

全探索

class Solution:
    def twoSum(self, nums: List[int], target: int) -> List[int]:
        result = []
        for i in range(len(nums)):
            for j in range(i,len(nums)):
                if nums[i] + nums[j] == target:
                    result = [i, j]
                    break;
        return result;

【解説】
入力された配列numsの大きさをnとすると

時間計算量：O(n²)
空間計算量：O(1)

学習メモ

2020-03-19

C++のusing namespace std;について

c++

今の私の理解
事前知識

おまじないとして、書いているusing namespace std;について簡単に調べてみました。

今の私の理解

using namespace std;を書けば、std:cin << ~~とかのstd:を省略できるようになる。

事前知識

using namespace std;について調べるにあたって知っておいた方が良いことを調べておく。

名前空間

using namespace std;についてわかったことは随時、この記事にまとめていく。