isaiをPCにつなげる
いろいろ不満もあるものの、とりあえず使っているauのisai LGL22。 USBケーブル(A-mircoB)でPCにつないでみました。 接続するとWindowsでは”LG PC suite”なるアプリケーションのインストールをさせられます。 これはスマートフォンとのデータ同期ができるようなこのアプリケーションなのですが、 多分デバイスドライバの類も含まれていると思われ、 入れてないとトラブルになりそうなので素直にインストールすることにしました。 ネットからダウンロードするのですがファイルサイズが大きいのには閉口します。 そういえばSAMSUNGにもKiesなんてものがありますが、 韓国メーカーってこういうの好きなんでしょうかね? さて、そのときisaiはどうなっているかと言えば、 USBケーブルがささったっぽいアニメーションがちょっとだけ表示されるのは軽くスルーして、 [通知バー]に現れ
GitHub でコードを見ていると，ハイライトがおかしいのを見つけることがたまにあります．ここではその直し方を紹介します． 次の2パターンを想定しています． 自分のリポジトリのあるファイルのハイライト言語がおかしい 構文ハイライトが間違えている，言語の新機能に対応していない 自分のリポジトリのあるファイルのハイライト言語がおかしい コードをどの言語でハイライトするかは自動判別されますが，実はある程度ユーザ側で制御する方法があります． Vim や Emacs のモードラインを書く ファイル単位で Vim や Emacs の設定をマジックコメントとして書けるモードラインですが，実は GitHub もそれを参照しています // C++ だけど拡張子は .h … C じゃなくて C++ でハイライトしてほしい // vim: set ft=cpp // // または // // -*- mode:
※ 2015/10/13 追記 アクセストークンの取得が簡単になってブラウザだけで取得できるようになっていました。 Feedly APIを使用するためのアクセストークンがかなり簡単に取得できるようになっていた Generating developer access tokens (beta) : Feedly Cloud - Googleグループ 補足として、OAuthプロバイダがTwitterだと、アクセストークンの取得URLはTwitterのDMで送られてきます。 feedly APIのほぼ全機能をサポートするRubyラッパー feedlr BestGemsなどで調べると同じ目的のアクティブなGemが3つ見つかるのですが、テストもあってAPIカバー率が高かったのがfeedlrという、なぜかランクが3位のGemでした。 使い方 RSSリーダーいう性質上、いろんなID(userId,str
#!/usr/bin/env python # -*- coding: utf-8 -*- # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 from __future__ import absolute_import from __future__ import division from __future__ import print_function import math import os i
本稿ではニューラルネットワーク，誤差逆伝播法，言語モデル，RNN，LSTM，ニューラル機械翻訳の一連の手法について数理的に解説する． 前編の目次 ニューラルネットワーク 順伝播 (Forwardpropagation) 逆伝播 (Backpropagation) リカレントニューラルネットワーク (RNN) Recurrent Neural Network Language Model (RNNLM) Backpropagation Through Time (BPTT) Long Short-Term Memory (LSTM) Gated Recurrent Unit (GRU) RNN のドロップアウトとバッチ正規化 ニューラル機械翻訳 (NMT) Sequence to Sequence (seq2seq) 注意 (Attention) 双方向エンコーダー・多層LSTM 評価手法
Sequence-to-Sequence(Seq2Seq)学習は、任意長の入力列から任意長の出力列を出力するような学習のことで、Neural Networkの枠組みで扱う方法が提案されて、いい結果が報告されています。雑なメモ。 入力・出力列の例 (自然)言語処理系 機械翻訳(翻訳元->翻訳先) [1409.3215] Sequence to Sequence Learning with Neural Networks [1406.1078] Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation http://www.slideshare.net/yutakikuchi927/learning-phrase-representations-using-rnn-
この図からも検索ノイズを減らすことと検索漏れを減らすことがトレードオフの関係にあることがわかります。 しかし、これら2つを併用することによって、それぞれを単独で使用する場合に比べて、検索漏れの数を減らし、検索ノイズの数を実質的に減らすことが可能です。 併用するための具体的な手法は以下のようなものになります。 インデックス生成処理 ドキュメントに対してNgramによるインデックスを生成する 形態素解析によるインデックスも生成する 検索処理 Ngramと形態素解析によるインデックスに対して同時に検索を行う 形態素解析によるインデックスの結果が先頭になりやすいように重みを付けて検索結果をマージする 2つの検索結果をマージすることによって、検索漏れを減らします。 しかし、ただ単にマージしてしまうと、検索ノイズが増えてしまいます。 形態素解析の結果を先頭になりやすいようにマージすることが、この併用処
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
