「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」p.23 ～33の写経です。

# coding: utf-8
import numpy as np
import sys

def main():
    inputs = [(0, 0), (1, 0), (0, 1), (1, 1)]

    for gate in [[and_gate,    "AND"    ],
                 [not_and_gate,"NOT AND"],
                 [or_gate,     "OR"     ],
                 [xor_gate,    "XOR"    ]]:
        print( gate[1] )
        for xs in [(0, 0), (1, 0), (0, 1), (1, 1)]:
            y = gate[0](xs[0], xs[1])
            print( str(xs) + " -> " + str(y) )

# ANDゲート
# x1 x2│y
#───┼─
# 0  0 │0
# 1  0 │0
# 0  1 │0
# 1  1 │1
# 上記を満たす (x1,x2,w)は(0.5,0.5,0.8)や(1.0,1.0,1.0)等も
# ありますが、今回以下を使用
def and_gate(x1, x2):
    x = np.array([x1, x2])      # input
    w = np.array([0.5,0.5])     # weigth
    b = -0.7                    # bias
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

# NOT ANDゲート
# x1 x2│y
#───┼─
# 0  0 │1
# 1  0 │1
# 0  1 │1
# 1  1 │0
# 上記を満たす (x1,x2,w)は様々ありますが、今回以下を使用

# def not_and_gate(x1, x2):
#     return and_gate(x1, x2) * -1

def not_and_gate(x1, x2):
    x = np.array([x1,   x2])    # input
    w = np.array([-0.5, -0.5])  # weight
    b = 0.7                     # bias
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1
    
# ORゲート
# x1 x2│y
#───┼─
# 0  0 │0
# 1  0 │1
# 0  1 │1
# 1  1 │1
# 上記を満たす (x1,x2,w)は様々ありますが、今回以下を使用

def or_gate(x1, x2):
    x = np.array([x1,  x2])     # input
    w = np.array([0.5, 0.5])    # weight
    b = -0.2                    # bias
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1
    
# XORゲート
# x1 x2│y
#───┼─
# 0  0 │0
# 1  0 │1
# 0  1 │1
# 1  1 │0

# ★XORは、ANDやNAND、ORと異なり、
#    一つのパーセプトロンでは実現できない為、以下
def xor_gate(x1, x2):
    s1 = not_and_gate(x1, x2)
    s2 = or_gate(x1, x2)
    y  = and_gate(s1, s2)
    return y

if __name__ == '__main__':
    main()

↑こう書くと、↓こう表示されます

AND
(0, 0) -> 0
(1, 0) -> 0
(0, 1) -> 0
(1, 1) -> 1
NOT AND
(0, 0) -> 1
(1, 0) -> 1
(0, 1) -> 1
(1, 1) -> 0
OR
(0, 0) -> 0
(1, 0) -> 1
(0, 1) -> 1
(1, 1) -> 1
XOR
(0, 0) -> 0
(1, 0) -> 1
(0, 1) -> 1
(1, 1) -> 0

2022-08-27

ニューラルネットワークにおける信号伝達の行列による計算

GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016)

「ゼロから作るDeep Learning ① (Pythonで学ぶディープラーニングの理論と実装)」p.60 の写経です。

ニューラルネットワーク図

信号伝達の行列式

$\large{ \textbf{A}^{(1)} = \textbf{XW}^{(1)} + \textbf{B}^{(1)} }$

ただし、A、X、W、Bは以下の通り

$\large{ \textbf{A}^{(1)} = \begin{pmatrix} a^{(1)}_1 & a^{(1)}_2 & a^{(1)}_3 \end{pmatrix} }$ 、 $\large{ \textbf{X}^{(1)} = \begin{pmatrix} x_1 & x_2 \end{pmatrix} }$

$\large{ \textbf{B}^{(1)} = \begin{pmatrix} b^{(1)}_1 & b^{(1)}_2 & b^{(1)}_3 \end{pmatrix} }$ 、 $\large{ \textbf{W}^{(1)} = \begin{pmatrix} w^{(1)}_{11} & w^{(1)}_{21} & w^{(1)}_{31} \\\ w^{(1)}_{12} & w^{(1)}_{22} & w^{(1)}_{32} \end{pmatrix} }$

活性化関数

活性化関数( $\large{ h() }$ )には、様々ありますが、 sigmoid関数とReLU関数の式とグラフは、以下の通り

sigmoid関数

$\Large{ h() = \frac{1}{ 1 + e^{-x}} }$

ReLU関数 (ランプ関数)

$\large{ h() = \begin{Bmatrix} x & (x ＞ 0) \\ 0 & (x ≦ 0) \end{Bmatrix} }$

ソフトマックス関数

再度に、出力層に使用する softmac関数である $\large{ σ() }$ は、以下の通り

ソフトマックス関数の特徴

出力値である各 $\large{y_i}$ は、0～1をとり、その合計が、1となることから、確率に利用できます。

基本形

$\Large{ y_k = \frac { exp(a_k) }{ \sum^n_{i=1} exp(a_i)} }$

オーバーフロー対応型

基本形では、桁あふれの問題があるようですのが、これを対策すると、以下のようになります。

$\large{ C' }$ は任意定数ですが、一般的には最大値を指定するようです。

$\Large{ y_k = \frac { exp(a_k) }{ \sum^n_{i=1} exp(a_i)} = \frac { C exp(a_k) }{ C \sum^n_{i=1} exp(a_i)} \\\ = \frac { C exp(a_k + log C) }{ C \sum^n_{i=1} exp(a_i + logC )} = \frac { C exp(a_k + C') }{ C \sum^n_{i=1} exp(a_i + C' )} }$

2022-08-22

Re: Python3.6.10でDeepFloorPlanを動かしてみた

不動産住宅の間取り図の自動認識は、おもしろそうではありますが、下記2の「We share all our annotations and train-test split file here.」からアノテーション他を取得できず、試すこともできず

古いエントリですので、さくじょされたんですよね。きっと

2022-08-21

sklearn for python でランダムフォレスト

先程のentryで decision tree を使いましたので、おまけで、ランダムフォレスト

#!/usr/local/bin/python3
# -*- coding: utf-8 -*-

from sklearn.datasets        import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble        import RandomForestClassifier
from sklearn.metrics         import accuracy_score

def main():
    iris_list = load_iris() # アヤメdataの読込み

    # 学習用dataと、test用dataに分割
    x_train, x_test, t_train, t_test = \
        train_test_split(
            iris_list.data,   # 説明変数(花びらのsizeや幅,長さ ※1)
            iris_list.target, # 目的変数(ヤメの種類            ※2)
            test_size=0.3,    # 3割をtest用に
            random_state=0 )
    
    # ランダムフォレストmodel作成
    model = RandomForestClassifier()
    # 学習
    model.fit(x_train, t_train)

    # test dataによる推測
    test = model.predict(x_test)
    # 推測結果の答え合わせ
    print( accuracy_score(t_test, test) )
    
if __name__ == '__main__':
    main()

参考url

2022-08-21

sklearn for python で決定木を作成し、SVG出力

【機械学習】決定木をscikit-learnと数学の両方から理解する - Qiita

上記urlの写経 + 少々、修正です

決定木作成とsvg出力を行うpython script
頂上nodeにある gini, samples, value, class の意味
当初、png出力を試みましたが

決定木作成とsvg出力を行うpython script

#!/usr/local/bin/python3
# -*- coding: utf-8 -*-

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier, export_graphviz

import graphviz
import pydotplus

def main():
    data = pd.DataFrame({
        "buy"     :[1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0], # 買うor not
        "high"    :[4, 5, 3, 1, 6, 3, 4, 1, 2, 1, 1, 1, 3], # 階数
        "size"    :[30,45,32,20,35,40,38,20,18,20,22,24,25],# 部屋の広さ
        "autolock":[1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 1, 0]  # オートロック
    })

    # 目的変数
    y = data.loc[:,["buy"]]
    # 説明変数
    X = data.loc[:,["high", "size","autolock"]]

    # 決定木モデルの構築
    clf = DecisionTreeClassifier()
    clf = clf.fit(X, y)

    # SVG出力
    dot_data = export_graphviz(
        clf,
        out_file     =None,
        feature_names=["high", "size","autolock"],
        class_names  =["False","True"],
        filled =True,
        rounded=True,
        special_characters=True )

    graph = pydotplus.graph_from_dot_data(dot_data)
    graph.write_svg('tree.svg')

    # 予測 (おまけ、新規に2つのdataを追加し、予測)
    z = pd.DataFrame({ "high"    :[2, 3 ],
                       "size"    :[25,18],
                       "autolock":[1, 0 ] })
    z2 = z[["high", "size","autolock"]].values
    print( clf.predict(z2) )

if __name__ == '__main__':
    main()

↑こう書くと、↓こう表示できます。

頂上nodeにある gini, samples, value, class の意味

各nodeにgini, samples, value, classが記載されていますので、頂上nodeを例に説明します。

gini = 0.497

gini係数は 0～1の値で不純度を表し、均等になる程、0に近づきますが、上記の「gini = 0.497」は次のように求められます。

$\large{ Gini = 1 - \sum_{i=1}^n p(i|t)^2 = 1 - { (\frac{6}{13})^2 + (\frac{7}{13})^2 } ≒ 0.497 }$

samples = 13

このnodeで扱ったsample数です

value = [6,7]

export_graphviz()内の引数で class_names =["False","True"] と指定しましたので、「size≦27.5」に対しての判定結果数が「False, True」の順に表示されています。

class = True

末端nodeでないにも関わらず、「class = True」と分類名が表示される理由はかっていません

当初、png出力を試みましたが

以下のエラーを解消できなかった為、pngは諦めました

[end0tknr@cent7 tmp]$ ./foo.py
Traceback (most recent call last):
  File "./foo.py", line 44, in <module>
    main()
  File "./foo.py", line 40, in main
    graph.write_png('tree.png')
  File "/usr/local/lib/python3.8/site-packages/pydotplus/graphviz.py", line 1810, in <lambda>
    prog=self.prog: self.write(path, format=f, prog=prog)
  File "/usr/local/lib/python3.8/site-packages/pydotplus/graphviz.py", line 1918, in write
    fobj.write(self.create(prog, format))
  File "/usr/local/lib/python3.8/site-packages/pydotplus/graphviz.py", line 2030, in create
    raise InvocationException(
pydotplus.graphviz.InvocationException: Program terminated with status: 1. stderr follows: Format: "png" not recognized. Use one of: canon cmap cmapx cmapx_np dot eps fig gv imap imap_np ismap pic plain plain-ext pov ps ps2 svg svgz tk vml vmlz xdot

2022-08-21

国交省国土地理院による GEOコーディング & 逆GEOコーディング API

国土地理院APIでお手軽ジオコーディング＆逆ジオコーディング - 芽萌丸

国交省国土地理院のサイトには、 GEOコーディングAPIの資料が見つかりませんでしたが、上記urlで見つけたのでメモ。

GoogleMap APIと比較すると、精度(情報粒度)は粗いようですが。

GEOコーディング

https://msearch.gsi.go.jp/address-search/AddressSearch?q=東京都渋谷区渋谷1

↑アクセス例と、↓その結果

[
  {"geometry"  : {"coordinates": [139.704285,35.661812],
   "type"      : "Point" },
   "type"      : "Feature",
   "properties": {"addressCode": "",
                  "title": "東京都渋谷区渋谷一丁目" } }
]

逆GEOコーディング

https://mreversegeocoder.gsi.go.jp/reverse-geocoder/LonLatToAddress?lat=35.661812&lon=139.704285

↑アクセス例と、↓その結果

{ "results":{"muniCd":"13113","lv01Nm":"渋谷一丁目"} }

住所コード( muniCd )→住所変換

上記の逆GEOコーディングにある住所コード( muniCd )は、 https://maps.gsi.go.jp/js/muni.js にあるマスターで変換できます。

例えば、先程の「"muniCd":"13113"」は「GSI.MUNI_ARRAY["13113"] = '13,東京都,13113,渋谷区';」と定義されています。

以下は、muni.js の抜粋です。

/************************************************************************
 設定：旧地理院地図より
 ************************************************************************/
GSI.MUNI_ARRAY = {};
GSI.MUNI_ARRAY["1100"] = '1,北海道,1100,札幌市';
GSI.MUNI_ARRAY["1101"] = '1,北海道,1101,札幌市　中央区';
GSI.MUNI_ARRAY["1102"] = '1,北海道,1102,札幌市　北区';
GSI.MUNI_ARRAY["1103"] = '1,北海道,1103,札幌市　東区';
GSI.MUNI_ARRAY["1104"] = '1,北海道,1104,札幌市　白石区';
GSI.MUNI_ARRAY["1105"] = '1,北海道,1105,札幌市　豊平区';
GSI.MUNI_ARRAY["1106"] = '1,北海道,1106,札幌市　南区';
GSI.MUNI_ARRAY["1107"] = '1,北海道,1107,札幌市　西区';
GSI.MUNI_ARRAY["1108"] = '1,北海道,1108,札幌市　厚別区';
GSI.MUNI_ARRAY["1109"] = '1,北海道,1109,札幌市　手稲区';
GSI.MUNI_ARRAY["1110"] = '1,北海道,1110,札幌市　清田区';
GSI.MUNI_ARRAY["1202"] = '1,北海道,1202,函館市';

2022-08-21

重回帰分析に対してのロジスティック回帰

重回帰分析は量的なものの予測に利用される為、次の回帰式で表されます。

$\Large{ y= a_0 + a_1x_1 + … + a_mx_m }$

ロジスティック回帰の回帰式は、上記に似ていますが、合格/不合格のような2値の確率予想に使用される為、次の回帰式で表されます。

$\Large{ 確率： P = \frac{ 1 }{ 1 + exp(-(a_0 + a_1x_1 + … + a_mx_m))} }$

2022-08-20

重回帰分析における回帰係数の導出

先程のentryの重回帰分析版です。

回帰式

単回帰も重回帰も同様の手順で、回帰係数を導出できますが、変数が多いと、手計算が手間ですので、今回は以下の回帰係数を算出します。

$\Large{ y= a_0 + a_1x_1 + a_2x_2 }$

偏微分と連立方程式による $\large{ a_0 ,a_1 ,a_2 }$ の導出

$\Large{ L = \sum_{i=1}^n {(y - (a_0 + a_1x_{1i} + a_2x_{2i}))}^2 }$

上記を $\large{ a_0 ,a_1 ,a_2 }$ のそれぞれで偏微分します

$\large{ \frac{\partial L}{\partial a_0} } = -2 \sum_{i=1}^n \quad {(y - (a_0 + a_1x_{1i} + a_2x_{2i}))} = 0 …(式0)$

$\large{ \frac{\partial L}{\partial a_1} } = -2 \sum_{i=1}^n x_{1i} {(y - (a_0 + a_1x_{1i} + a_2x_{2i}))} = 0 …(式1)$

$\large{ \frac{\partial L}{\partial a_m} } = -2 \sum_{i=1}^n x_{2i} {(y - (a_0 + a_1x_{1i} + a_2x_{2i}))} = 0 …(式2)$

式0の $\large{ a_0 }$ を式1、2へ代入する為、変形します。

$\large{ na_0 = \sum_{i=1}^n y_i - \sum_{i=1}^n a_1x_{1i} -\sum_{i=1}^n a_2x_{2i} }$

$\large{ a_0 = \frac{\sum_{i=1}^n y_i}{n} - \frac{\sum_{i=1}^n a_1x_{1i}}{n} - \frac{\sum_{i=1}^n a_2x_{2i}}{n} }$

$\large{ a_0 = \overline{y} - a_1 \overline{x_1} - a_2 \overline{x_2} …(式02) }$

式02を式1、2へ代入し、変形します。

$\large{ a_1 \sum_{i=1}^n (x_{1i} - \overline{x_1})^2 - a_2 \sum_{i=1}^n (x_{1i} - \overline{x_1})(x_{2i} - \overline{x_2}) \\\ = \sum_{i=1}^n (x_{1i} - \overline{x_1})(y_i - \overline{y}) …(式12) }$

$\large{ a_1 \sum_{i=1}^n (x_{1i} - \overline{x_1})(x_{2i} - \overline{x_2}) - a_2 \sum_{i=1}^n (x_{2i} - \overline{x_2})^2 \\\ = \sum_{i=1}^n (x_{2i} - \overline{x_2})(y_i - \overline{y}) …(式22) }$

式12と式22を連立方程式として解くと、回帰係数の $\large{ a_1 ,a_2 }$ は次のようになります。

$\large{ a_1 = \frac{ S_{1x}S_{22} - S_{2x}S_{12} } { S_{11}S_{22} - (S_{12})^2 } }$

$\large{ a_2 = \frac{ S_{2x}S_{11} - S_{1x}S_{12} } { S_{11}S_{22} - (S_{12})^2 } }$

ただし、上記にある $\large{ S_{11} }$ 等は以下の通りです

$\large{ S_{11} = \sum_{i=1}^n (x_{1i})^2 - n \overline{x_1}^2 }$

$\large{ S_{22} = \sum_{i=1}^n (x_{2i})^2 - n \overline{x_2}^2 }$

$\large{ S_{22} = \sum_{i=1}^n x_{1i}x_{2i} - n \overline{x_1}\overline{x_2} }$

$\large{ S_{1x} = \sum_{i=1}^n x_{1i}x_{yi} - n \overline{x_1}\overline{y} }$

$\large{ S_{2x} = \sum_{i=1}^n x_{2i}x_{yi} - n \overline{x_2}\overline{y} }$

2022-08-20

最小二乗法(単回帰分析)における回帰係数の導出

最小二乗法と、共分散/分散の関係をすっかり忘れていたので、振り返り

最小二乗法とは
回帰式と回帰係数
偏微分と連立方程式によるの導出

最小二乗法とは

回帰式を $\Large{ f(x) }$ 、実測値を $\Large{ y }$ とするとき

$\Large{ \sum \{ y_i - f(x_i) \}^2 }$ 　の残差平方和(誤差)が最小の $f(x)$ を求めること

回帰式と回帰係数

回帰式が $\Large{ y=ax+b }$ の一時式となる場合、 $\Large{ a 、b }$ は次のようになる

$\Large{ a ＝ \frac{ 共分散xy }{ 分散x } ＝ \frac{ \sum (x_i - \overline{x} ) (y_i - \overline{y} ) }{ \sum {(x_i - \overline{x})}^2 } }$

$\Large{ b ＝ \overline{y} - a \overline{x} }$

偏微分と連立方程式による $a 、b$ の導出

$\Large{ \sum {(y - ax - b)}^2 }$

$\Large{ = a^2 \sum{x^2} + n {b^2} + \sum {y^2} -2a \sum{xy} -2b \sum{y} +2ab \sum {x} }$

上記を $a 、b$ のそれぞれで偏微分すると以下

$\Large{ 2a \sum{x^2} -2 \sum{xy} +2b \sum {x} = 0 }$

$\Large{ 2nb -2 \sum{y} +2a \sum {x} = 0 }$

上記2式の連立方程式を解くと、先程の共分散、分散、平均による $\Large{ a 、b }$ となります

2022-08-13

labelImg for python3 and windows による YOLO用タグ作成

YOLOによる画像認識を行う為の準備メモ

https://github.com/heartexlabs/labelImg

install labelImg for python3 and windows

labelImgはGUI付のツールですので、 pip3.exe install labelImg により、PyQt5 もinstallされます。

PowerShell> cd C:\Users\end0t\tmp\python38\Scripts
PowerShell> pip3.exe install labelImg
PowerShell> pip3.exe list
  :
labelImg              1.8.6
  :
PyQt5                 5.15.7
PyQt5-Qt5             5.15.2
PyQt5-sip             12.11.0

labelImg の起動と、利用の準備

c:/Users/end0t/tmp/python38/Scripts/labelImg.exe

↑上記の labelImg.exe を実行すると、以下のような画面が表示されます。

No	説明
①	画像ファイルの読み込みdir.※1
②	アノテーションファイルの書込みdir. ※1
③	アノテーションファイルの形式.※1
④	アノテーション矩形の作成
⑤	アノテーション矩形の作成語、即タグが設定

※1 私の場合、https://github.com/qqwweee/keras-yolo3 用のタグ付けを行いましたが、①～③はそれぞれ次のように設定しました。

No	説明
①	C:\Users\end0t\tmp\keras-yolo3\VOCdevkit\VOC2007\JPEGImages
②	C:\Users\end0t\tmp\keras-yolo3\VOCdevkit\VOC2007\Annotations
③	PascalVOC

labelImg ショートカット

short cur	説明
Ctrl + u	フォルダからすべての画像をロード
Ctrl + r	デフォルトのアノテーションターゲットdir変更
Ctrl + s	保存
Ctrl + d	現在のラベルと四角形のボックスをコピー
Ctrl + Shift + d	現在の画像を削除
Space	現在の画像に確認済みのフラグを付加
w	矩形を作成
d	次の画像
a	前の画像
del	選択した矩形を削除
Ctrl++	ズームイン
Ctrl--	ズームアウト
↑→↓←	選択した矩形を移動

2022-08-13

Pillow for python による画像downloadと png形式での保存

先程のentryの続きです。

step 1 request.urlopen() で画像をdownloadし
step 2 io.BytesIO()で file化し
step 3 Pillow にて png形式で保存

します

#!/usr/local/bin/python3
# -*- coding: utf-8 -*-

from PIL import Image
from urllib import request
import io
import re
import sys

def main():

    urls_file_path = sys.argv[1]
    re_compile = re.compile("https?://([^/]+)")

    img_hosts = {}
    with open(urls_file_path) as f:
        for url in f.readlines():
            url = url.strip()

            re_result = re_compile.search( url )
            if not re_result:
                continue

            hostname = re_result.group(1).replace('.','_')
            if not hostname in img_hosts:
                img_hosts[hostname] = 0

            img_hosts[hostname] += 1
            save_file_path = "./img/%s_%03d.png" % (hostname,img_hosts[hostname])

            try:
                img_content = request.urlopen(url).read()
            except Exception as e:
                print(e, file=sys.stderr)
                continue
            
            with io.BytesIO( img_content ) as f:
                try:
                    img = Image.open(f)
                except Exception as e:
                    print(e, file=sys.stderr)
                    continue
                
                img.save( save_file_path)

if __name__ == '__main__':
    main()

2022-08-13

selenium for python3 による google画像検索結果からの画像url抽出

以下の通りかと思います

#!/usr/local/bin/python3
# -*- coding: utf-8 -*-

from selenium import webdriver # ex. pip install selenium==4.0.0a7
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by      import By
from selenium.webdriver.support.ui     import Select
import re
import sys
import time
import urllib.parse

conf = {
    "selenium" : {
        "browser_driver": "./chromedriver",
#        "browser_driver": "/usr/local/bin/chromedriver",
        "browser_options" : [
#            "--headless",
            "--enable-logging=False",
            "--ignore-certificate-errors",
            "--disable-extensions",
            "--disable-print-preview",
            "--download.default_directory=/tmp"
        ],
        "implicitly_wait": 10 }
}

search_url = "https://www.google.co.jp/search"
search_str = urllib.parse.quote("戸建て住宅 間取り図面")
search_params = [
    "q="  + search_str,
    "tbm=isch",
    "hl=ja",
    "sclient=img",
    "ei=7yL2Ypn2MtuM1e8PutqksA0",
    "tbs=itp:clipart",
    "sa=X"]
re_compile = re.compile("\?imgurl=(.[^&]+)")
# 収集する最大url数.
# google検索での最大件数がこの程度でしたので
max_url_size = 900


def main():
    browser = get_browser()

    req_url = search_url +"?" + "&".join(search_params)
    print( req_url )
    browser.get( req_url )
    time.sleep(3)
    
    img_urls = []
    while len(img_urls) <= max_url_size:
        print( len(img_urls), file=sys.stderr )
        img_urls = extract_img_urls( browser, img_urls )
        
    for img_url in img_urls:
        print( img_url )
        

def extract_img_urls( browser, img_urls ):
    a_elms = browser.find_elements(by=By.CSS_SELECTOR,
                                   value="a.wXeWr")
    i = len( img_urls )
    while i < len( a_elms ):
        a_elm = a_elms[i]
        
        try:
            # clickすることで、auto pagerize します
            a_elm.click()
            href_url =  a_elm.get_attribute("href")
        except Exception as e:
            i += 1
            time.sleep( 1 )
            continue
        
        re_result = re_compile.search( href_url )
        
        if not re_result:
            i += 1
            continue
        
        img_url = re_result.group(1)
        img_url = urllib.parse.unquote( img_url )
        img_urls.append( img_url )
        
        i += 1
        time.sleep( 1 )
        
    return img_urls

# selenium を使用する場合、browser(driver)を返します
def get_browser():
    selenium_conf = conf["selenium"]
    browser_service = \
        Service( executable_path=selenium_conf["browser_driver"] )

    browser_opts = Options()
    for tmp_opt in selenium_conf["browser_options"]:
        browser_opts.add_argument( tmp_opt )

    browser = webdriver.Edge(service = browser_service,
                             options = browser_opts )
    # 要素が見つかるまで、最大 ?秒 待つ
    browser.implicitly_wait( selenium_conf["implicitly_wait"] )

    # 以下は、headless modeでもdownloadする為のもの。
    # refer to https://qiita.com/memakura/items/f80d2e2c59514cfc14c9
    browser.command_executor._commands["send_command"] = (
        "POST",
        '/session/$sessionId/chromium/send_command' )
    params = {'cmd': 'Page.setDownloadBehavior',
              'params': {'behavior': 'allow',
                         'downloadPath': '/tmp' } }
    browser.execute("send_command", params=params)

    return browser



if __name__ == '__main__':
    main()

2022-08-11

unityの OnTriggerEnter()による当たり判定

unityには、先程の OnCollisionEnter()とは別のOnTriggerEnter()があるらしい。

先程の OnCollisionEnter() では、Rigidbodyどうしの衝突を判定できましたが OnTriggerEnter()では、衝突することなく、通過?を判定できるみたい。

以下では、3D Sphereをカーソルキーで動かし、他の 3D Sphere と衝突?した場合、他の 3D Sphere の色を変更します。

Step 1 - 手玉となる赤色 3D Sphere 追加

先程のentryと全く同様、「Add Component」から「Rigidbody」を追加します。

Step 2 - 的玉となる白色 3D Sphere 追加

的玉と判定する為「Others」というタグを設定ますが、「Rigidbody」は追加しません。

代わりに、Sphere Colliderの「Is Trigger」を ONにします。

Step 3 - c# script作成

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class NewBehaviourScript : MonoBehaviour {
    bool f = true;
    Vector3 cv = new Vector3(0f, 1f, -5f);
    Rigidbody rb = null;

    void Start(){
        rb = GetComponent<Rigidbody>();
    }

    void Update(){
        var sv = transform.position;
        sv.y = 1f;
        Camera.main.transform.position = sv + cv;

        var x = Input.GetAxis("Horizontal");
        var y = Input.GetAxis("Vertical");
        var v = new Vector3(x, 0, y);

        rb.AddForce(v);
    }

    void OnTriggerEnter(Collider collider){
        if (collider.gameObject.tag == "Other"){
       //色を変更します
            var r = collider.gameObject.GetComponent<Renderer>();
            r.material.color = new Color(0f, 0f, 0f, 0.25f);
            r.material.SetFloat("_Metallic", 0f);
        }
    }
}

2022-08-11

unityの OnCollisionEnter()による当たり判定

3D Sphereをカーソルキーで動かし、他の 3D Sphere と衝突した場合、他の 3D Sphere を消去します。

Step 1 - 手玉となる赤色 3D Sphere 追加

以下のように「Add Component」から「Rigidbody」を追加します。尚、3D Sphereへの赤色設定方法は先日のentryをご覧ください。

Step 2 - 的玉となる白色 3D Sphere 追加

先程と同様「Rigidbody」付で3D Sphere を追加し、更に的玉と判定する為「Others」というタグを設定ます。

Step 3 - c# script作成

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class SampleSceneScript : MonoBehaviour {
    bool f = true;
    Vector3 cv = new Vector3(0f, 1f, -5f);
    Rigidbody rb = null;
    void Start(){
        rb = GetComponent<Rigidbody>();
    }

    void Update() {
        var sv = transform.position;
        sv.y = 1f;
        Camera.main.transform.position = sv + cv;
    //カーソルキーによる手玉の移動
        var x = Input.GetAxis("Horizontal");
        var y = Input.GetAxis("Vertical");
        var v = new Vector3(x, 0, y);

        rb.AddForce(v);
    }

    //衝突が発生した場合、「Others」を消去
    void OnCollisionEnter(Collision collision){
        if (collision.gameObject.tag == "Other"){
            GameObject.Destroy(collision.gameObject);
        }
    }
}

2022-08-10

unityにおける3D Objectへの着色

Step 1 - Project欄において、Assets以下に Folder作成
Step 2 - 作成したFolder以下に Material作成
Step 3 - Inspector欄において Materialに着色
Step 4 - Materialを 3D Sphereへドラッグし、適用

Step 1 - Project欄において、Assets以下に Folder作成

Step 2 - 作成したFolder以下に Material作成

Step 3 - Inspector欄において Materialに着色

Step 4 - Materialを 3D Sphereへドラッグし、適用

ニューラルネットワーク図

信号伝達の行列式

活性化関数

sigmoid関数

ReLU関数 (ランプ関数)

ソフトマックス関数

ソフトマックス関数の特徴

基本形

オーバーフロー対応型

参考url

決定木作成とsvg出力を行うpython script

頂上nodeにある gini, samples, value, class の意味

gini = 0.497

samples = 13

value = [6,7]

class = True

当初、png出力を試みましたが

GEOコーディング

逆GEOコーディング

住所コード( muniCd )→住所変換

回帰式

偏微分と連立方程式による の導出

最小二乗法 とは

回帰式と回帰係数

偏微分と連立方程式による の導出

install labelImg for python3 and windows

labelImg の起動 と、利用の準備

labelImg ショートカット

Step 1 - 手玉となる 赤色 3D Sphere 追加

Step 2 - 的玉となる 白色 3D Sphere 追加

Step 3 - c# script作成

Step 1 - 手玉となる 赤色 3D Sphere 追加

Step 2 - 的玉となる 白色 3D Sphere 追加

Step 3 - c# script作成

Step 1 - Project欄において、Assets以下に Folder作成

Step 2 - 作成したFolder以下に Material作成

Step 3 - Inspector欄において Materialに着色

Step 4 - Materialを 3D Sphereへドラッグし、適用

偏微分と連立方程式による $\large{ a_0 ,a_1 ,a_2 }$ の導出

最小二乗法とは

偏微分と連立方程式による $a 、b$ の導出

labelImg の起動と、利用の準備

Step 1 - 手玉となる赤色 3D Sphere 追加

Step 2 - 的玉となる白色 3D Sphere 追加

Step 1 - 手玉となる赤色 3D Sphere 追加

Step 2 - 的玉となる白色 3D Sphere 追加