1.すぐに利用したい方へ(as soon as)
「Advanced Deep Learning with Keras」 By Philippe Remy
<この項は書きかけです。順次追記します。>
docker
dockerを導入し、Windows, Macではdockerを起動しておいてください。
Windowsでは、BiosでIntel Virtualizationをenableにしないとdockerが起動しない場合があります。
また、セキュリティの警告などが出ることがあります。
docker pull and run
$ docker pull kaizenjapan/anaconda-philippe
$ docker run -it -p 8888:8888 kaizenjapan/anaconda-philippe /bin/bash
以下のshell sessionでは
(base) root@f19e2f06eabb:/#は入力促進記号(comman prompt)です。実際には数字の部分が違うかもしれません。この行の#の右側を入力してください。
それ以外の行は出力です。出力にエラー、違いがあれば、コメント欄などでご連絡くださると幸いです。
それぞれの章のフォルダに移動します。
dockerの中と、dockerを起動したOSのシェルとが表示が似ている場合には、どちらで捜査しているか間違えることがあります。dockerの入力促進記号(comman prompt)に気をつけてください。
ファイル共有または複写
dockerとdockerを起動したOSでは、ファイル共有をするか、ファイル複写するかして、生成したファイルをブラウザ等表示させてください。参考文献欄にやり方のURLを記載しています。
複写の場合は、dockerを起動したOS側コマンドを実行しました。お使いのdockerの番号で置き換えてください。複写したファイルをブラウザで表示し内容確認しました。
plt.show()
はコメントにしている。
import matplotlib as mpl
mpl.use('Agg')
fig = plt.figure()
fig.savefig('img.png')
４行を追加している。ただし、ファイルが2kで中身不明。
Chapter 01
(base) root@b350954ba6b4:/# ls
DLwithPyTorch boot home mnt run usr
Practical-Convolutional-Neural-Networks deep-learning-with-keras-ja lib opt sbin var
Python-Deep-Learning dev lib64 proc srv
advanced-deep-learning-keras etc machine-learning-with-python-cookbook-notes pytorch-nlp-tutorial-eu2018 sys
bin feature-engineering-book media root tmp
(base) root@b350954ba6b4:/# cd advanced-deep-learning-keras/
(base) root@b350954ba6b4:/advanced-deep-learning-keras# ls
README.md s1 s2 s3 s4 s5 s6 s7
(base) root@b350954ba6b4:/advanced-deep-learning-keras# cd s1
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1# ls
1.2 1.3 1.4
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1# cd 1.2
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# ls
1_linear_regression.py 2_cost_function.py 3_underfitting_overfitting.py 4_hyper_parameters.py
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# python 1_linear_regression.py
Using TensorFlow backend.
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 1) 2
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0
_________________________________________________________________
Train on 128 samples, validate on 128 samples
Epoch 1/100
2018-10-22 10:06:24.431168: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
2018-10-22 10:06:24.435316: I tensorflow/core/common_runtime/process_util.cc:69] Creating new thread pool with default inter op setting: 2. Tune using inter_op_parallelism_threads for best performance.
128/128 [==============================] - 0s 3ms/step - loss: 104.1362 - val_loss: 90.5734
Epoch 2/100
128/128 [==============================] - 0s 15us/step - loss: 92.5201 - val_loss: 80.6777
Epoch 3/100
128/128 [==============================] - 0s 16us/step - loss: 81.9747 - val_loss: 71.7360
Epoch 4/100
128/128 [==============================] - 0s 14us/step - loss: 72.4919 - val_loss: 63.6906
Epoch 5/100
128/128 [==============================] - 0s 15us/step - loss: 64.0199 - val_loss: 56.4262
Epoch 6/100
128/128 [==============================] - 0s 16us/step - loss: 56.4457 - val_loss: 49.7797
Epoch 7/100
128/128 [==============================] - 0s 19us/step - loss: 49.6001 - val_loss: 43.5884
Epoch 8/100
128/128 [==============================] - 0s 17us/step - loss: 43.3045 - val_loss: 37.7491
Epoch 9/100
128/128 [==============================] - 0s 13us/step - loss: 37.4325 - val_loss: 32.2385
Epoch 10/100
128/128 [==============================] - 0s 15us/step - loss: 31.9378 - val_loss: 27.0911
Epoch 11/100
128/128 [==============================] - 0s 13us/step - loss: 26.8356 - val_loss: 22.3654
Epoch 12/100
128/128 [==============================] - 0s 13us/step - loss: 22.1704 - val_loss: 18.1185
Epoch 13/100
128/128 [==============================] - 0s 39us/step - loss: 17.9898 - val_loss: 14.3914
Epoch 14/100
128/128 [==============================] - 0s 16us/step - loss: 14.3275 - val_loss: 11.2009
Epoch 15/100
128/128 [==============================] - 0s 28us/step - loss: 11.1955 - val_loss: 8.5368
Epoch 16/100
128/128 [==============================] - 0s 12us/step - loss: 8.5796 - val_loss: 6.3636
Epoch 17/100
128/128 [==============================] - 0s 15us/step - loss: 6.4412 - val_loss: 4.6260
Epoch 18/100
128/128 [==============================] - 0s 13us/step - loss: 4.7238 - val_loss: 3.2594
Epoch 19/100
128/128 [==============================] - 0s 14us/step - loss: 3.3627 - val_loss: 2.2007
Epoch 20/100
128/128 [==============================] - 0s 13us/step - loss: 2.2967 - val_loss: 1.3961
Epoch 21/100
128/128 [==============================] - 0s 14us/step - loss: 1.4755 - val_loss: 0.8049
Epoch 22/100
128/128 [==============================] - 0s 16us/step - loss: 0.8626 - val_loss: 0.3979
Epoch 23/100
128/128 [==============================] - 0s 14us/step - loss: 0.4333 - val_loss: 0.1532
Epoch 24/100
128/128 [==============================] - 0s 14us/step - loss: 0.1697 - val_loss: 0.0522
Epoch 25/100
128/128 [==============================] - 0s 16us/step - loss: 0.0560 - val_loss: 0.0746
Epoch 26/100
128/128 [==============================] - 0s 22us/step - loss: 0.0731 - val_loss: 0.1966
Epoch 27/100
128/128 [==============================] - 0s 17us/step - loss: 0.1971 - val_loss: 0.3903
Epoch 28/100
128/128 [==============================] - 0s 22us/step - loss: 0.3984 - val_loss: 0.6251
Epoch 29/100
128/128 [==============================] - 0s 17us/step - loss: 0.6441 - val_loss: 0.8716
Epoch 30/100
128/128 [==============================] - 0s 15us/step - loss: 0.9017 - val_loss: 1.1042
Epoch 31/100
128/128 [==============================] - 0s 13us/step - loss: 1.1432 - val_loss: 1.3047
Epoch 32/100
128/128 [==============================] - 0s 13us/step - loss: 1.3488 - val_loss: 1.4628
Epoch 33/100
128/128 [==============================] - 0s 17us/step - loss: 1.5073 - val_loss: 1.5758
Epoch 34/100
128/128 [==============================] - 0s 35us/step - loss: 1.6162 - val_loss: 1.6459
Epoch 35/100
128/128 [==============================] - 0s 15us/step - loss: 1.6789 - val_loss: 1.6780
Epoch 36/100
128/128 [==============================] - 0s 18us/step - loss: 1.7017 - val_loss: 1.6772
Epoch 37/100
128/128 [==============================] - 0s 14us/step - loss: 1.6911 - val_loss: 1.6472
Epoch 38/100
128/128 [==============================] - 0s 15us/step - loss: 1.6521 - val_loss: 1.5899
Epoch 39/100
128/128 [==============================] - 0s 29us/step - loss: 1.5875 - val_loss: 1.5064
Epoch 40/100
128/128 [==============================] - 0s 30us/step - loss: 1.4989 - val_loss: 1.3980
Epoch 41/100
128/128 [==============================] - 0s 15us/step - loss: 1.3877 - val_loss: 1.2676
Epoch 42/100
128/128 [==============================] - 0s 18us/step - loss: 1.2565 - val_loss: 1.1205
Epoch 43/100
128/128 [==============================] - 0s 33us/step - loss: 1.1101 - val_loss: 0.9638
Epoch 44/100
128/128 [==============================] - 0s 16us/step - loss: 0.9554 - val_loss: 0.8059
Epoch 45/100
128/128 [==============================] - 0s 16us/step - loss: 0.8001 - val_loss: 0.6548
Epoch 46/100
128/128 [==============================] - 0s 15us/step - loss: 0.6520 - val_loss: 0.5170
Epoch 47/100
128/128 [==============================] - 0s 15us/step - loss: 0.5170 - val_loss: 0.3966
Epoch 48/100
128/128 [==============================] - 0s 16us/step - loss: 0.3990 - val_loss: 0.2952
Epoch 49/100
128/128 [==============================] - 0s 15us/step - loss: 0.2992 - val_loss: 0.2121
Epoch 50/100
128/128 [==============================] - 0s 15us/step - loss: 0.2170 - val_loss: 0.1455
Epoch 51/100
128/128 [==============================] - 0s 93us/step - loss: 0.1505 - val_loss: 0.0935
Epoch 52/100
128/128 [==============================] - 0s 39us/step - loss: 0.0978 - val_loss: 0.0542
Epoch 53/100
128/128 [==============================] - 0s 12us/step - loss: 0.0574 - val_loss: 0.0263
Epoch 54/100
128/128 [==============================] - 0s 35us/step - loss: 0.0282 - val_loss: 0.0091
Epoch 55/100
128/128 [==============================] - 0s 44us/step - loss: 0.0099 - val_loss: 0.0015
Epoch 56/100
128/128 [==============================] - 0s 34us/step - loss: 0.0016 - val_loss: 0.0023
Epoch 57/100
128/128 [==============================] - 0s 17us/step - loss: 0.0023 - val_loss: 0.0098
Epoch 58/100
128/128 [==============================] - 0s 20us/step - loss: 0.0100 - val_loss: 0.0216
Epoch 59/100
128/128 [==============================] - 0s 38us/step - loss: 0.0224 - val_loss: 0.0355
Epoch 60/100
128/128 [==============================] - 0s 28us/step - loss: 0.0369 - val_loss: 0.0493
Epoch 61/100
128/128 [==============================] - 0s 24us/step - loss: 0.0512 - val_loss: 0.0615
Epoch 62/100
128/128 [==============================] - 0s 26us/step - loss: 0.0636 - val_loss: 0.0713
Epoch 63/100
128/128 [==============================] - 0s 14us/step - loss: 0.0734 - val_loss: 0.0785
Epoch 64/100
128/128 [==============================] - 0s 16us/step - loss: 0.0802 - val_loss: 0.0832
Epoch 65/100
128/128 [==============================] - 0s 15us/step - loss: 0.0844 - val_loss: 0.0857
Epoch 66/100
128/128 [==============================] - 0s 15us/step - loss: 0.0863 - val_loss: 0.0860
Epoch 67/100
128/128 [==============================] - 0s 14us/step - loss: 0.0861 - val_loss: 0.0842
Epoch 68/100
128/128 [==============================] - 0s 16us/step - loss: 0.0839 - val_loss: 0.0802
Epoch 69/100
128/128 [==============================] - 0s 41us/step - loss: 0.0797 - val_loss: 0.0741
Epoch 70/100
128/128 [==============================] - 0s 22us/step - loss: 0.0735 - val_loss: 0.0663
Epoch 71/100
128/128 [==============================] - 0s 15us/step - loss: 0.0657 - val_loss: 0.0573
Epoch 72/100
128/128 [==============================] - 0s 15us/step - loss: 0.0568 - val_loss: 0.0477
Epoch 73/100
128/128 [==============================] - 0s 19us/step - loss: 0.0474 - val_loss: 0.0383
Epoch 74/100
128/128 [==============================] - 0s 35us/step - loss: 0.0382 - val_loss: 0.0297
Epoch 75/100
128/128 [==============================] - 0s 18us/step - loss: 0.0298 - val_loss: 0.0222
Epoch 76/100
128/128 [==============================] - 0s 28us/step - loss: 0.0224 - val_loss: 0.0160
Epoch 77/100
128/128 [==============================] - 0s 19us/step - loss: 0.0163 - val_loss: 0.0109
Epoch 78/100
128/128 [==============================] - 0s 48us/step - loss: 0.0113 - val_loss: 0.0070
Epoch 79/100
128/128 [==============================] - 0s 16us/step - loss: 0.0073 - val_loss: 0.0040
Epoch 80/100
128/128 [==============================] - 0s 15us/step - loss: 0.0042 - val_loss: 0.0019
Epoch 81/100
128/128 [==============================] - 0s 13us/step - loss: 0.0020 - val_loss: 5.7623e-04
Epoch 82/100
128/128 [==============================] - 0s 19us/step - loss: 6.2660e-04 - val_loss: 6.0980e-05
Epoch 83/100
128/128 [==============================] - 0s 41us/step - loss: 6.6936e-05 - val_loss: 2.1531e-04
Epoch 84/100
128/128 [==============================] - 0s 15us/step - loss: 2.1649e-04 - val_loss: 8.7550e-04
Epoch 85/100
128/128 [==============================] - 0s 15us/step - loss: 9.0487e-04 - val_loss: 0.0018
Epoch 86/100
128/128 [==============================] - 0s 14us/step - loss: 0.0019 - val_loss: 0.0029
Epoch 87/100
128/128 [==============================] - 0s 26us/step - loss: 0.0030 - val_loss: 0.0039
Epoch 88/100
128/128 [==============================] - 0s 17us/step - loss: 0.0040 - val_loss: 0.0047
Epoch 89/100
128/128 [==============================] - 0s 28us/step - loss: 0.0049 - val_loss: 0.0054
Epoch 90/100
128/128 [==============================] - 0s 19us/step - loss: 0.0055 - val_loss: 0.0058
Epoch 91/100
128/128 [==============================] - 0s 14us/step - loss: 0.0059 - val_loss: 0.0060
Epoch 92/100
128/128 [==============================] - 0s 13us/step - loss: 0.0061 - val_loss: 0.0061
Epoch 93/100
128/128 [==============================] - 0s 16us/step - loss: 0.0061 - val_loss: 0.0060
Epoch 94/100
128/128 [==============================] - 0s 46us/step - loss: 0.0059 - val_loss: 0.0056
Epoch 95/100
128/128 [==============================] - 0s 16us/step - loss: 0.0056 - val_loss: 0.0052
Epoch 96/100
128/128 [==============================] - 0s 14us/step - loss: 0.0051 - val_loss: 0.0045
Epoch 97/100
128/128 [==============================] - 0s 14us/step - loss: 0.0045 - val_loss: 0.0038
Epoch 98/100
128/128 [==============================] - 0s 13us/step - loss: 0.0038 - val_loss: 0.0030
Epoch 99/100
128/128 [==============================] - 0s 17us/step - loss: 0.0030 - val_loss: 0.0023
Epoch 100/100
128/128 [==============================] - 0s 15us/step - loss: 0.0023 - val_loss: 0.0017
[array([[3.003418]], dtype=float32), array([10.041711], dtype=float32)]
1.2
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# python 2_cost_function.py
targets = [1 2 3]
predictions = [0 1 8]
Regression cost = 9.0
targets = [0 1 1]
good predictions = [0.1 0.9 0.9]
bad predictions = [0.1 0.9 0.9]
Classification cost (good) = 0.07024034377188419
Classification cost (bad) = 1.3040076684760484
3_underfitting_overfitting.py
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# python 3_underfitting_overfitting.py
None
/opt/conda/lib/python3.6/site-packages/matplotlib/figure.py:448: UserWarning: Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figure.
% get_backend())
edit 3_underfitting_overfitting.py
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# vi 3_underfitting_overfitting.py
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# python 3_underfitting_overfitting.py
None
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# ls
1_linear_regression.py 2_cost_function.py 3_underfitting_overfitting.py 4_hyper_parameters.py img.png
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s1/1.2# python 4_hyper_parameters.py
(442, 10)
(442,)
Score with default parameters = 0.4512313946799056
Score with Grid Search parameters = 0.48879020446060156 best alpha = 0.001
Score with Random Search parameters = 0.48905379594162485 best alpha = 0.04036024496265811
image_ocr.py
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s2/1.1/keras/examples# python image_ocr.py
Traceback (most recent call last):
File "image_ocr.py", line 40, in <module>
import cairocffi as cairo
File "/opt/conda/lib/python3.6/site-packages/cairocffi/__init__.py", line 41, in <module>
cairo = dlopen(ffi, 'cairo', 'cairo-2', 'cairo-gobject-2')
File "/opt/conda/lib/python3.6/site-packages/cairocffi/__init__.py", line 38, in dlopen
raise OSError("dlopen() failed to load a library: %s" % ' / '.join(names))
OSError: dlopen() failed to load a library: cairo / cairo-2 / cairo-gobject-2
(base) root@b350954ba6b4:/advanced-deep-learning-keras/s3/1.1# python img_classification_example.py
Traceback (most recent call last):
File "img_classification_example.py", line 7, in <module>
import matplotlib.pyplot as plt
File "/opt/conda/lib/python3.6/site-packages/matplotlib/pyplot.py", line 2371, in <module>
switch_backend(rcParams["backend"])
File "/opt/conda/lib/python3.6/site-packages/matplotlib/__init__.py", line 892, in __getitem__
plt.switch_backend(rcsetup._auto_backend_sentinel)
File "/opt/conda/lib/python3.6/site-packages/matplotlib/pyplot.py", line 196, in switch_backend
switch_backend(candidate)
File "/opt/conda/lib/python3.6/site-packages/matplotlib/pyplot.py", line 207, in switch_backend
backend_mod = importlib.import_module(backend_name)
File "/opt/conda/lib/python3.6/importlib/__init__.py", line 126, in import_module
return _bootstrap._gcd_import(name[level:], package, level)
File "/opt/conda/lib/python3.6/site-packages/matplotlib/backends/backend_gtk3agg.py", line 6, in <module>
from . import backend_agg, backend_cairo, backend_gtk3
File "/opt/conda/lib/python3.6/site-packages/matplotlib/backends/backend_cairo.py", line 19, in <module>
import cairocffi as cairo
File "/opt/conda/lib/python3.6/site-packages/cairocffi/__init__.py", line 41, in <module>
cairo = dlopen(ffi, 'cairo', 'cairo-2', 'cairo-gobject-2')
File "/opt/conda/lib/python3.6/site-packages/cairocffi/__init__.py", line 38, in dlopen
raise OSError("dlopen() failed to load a library: %s" % ' / '.join(names))
OSError: dlopen() failed to load a library: cairo / cairo-2 / cairo-gobject-2
jupyter notebook
# jupyter notebook --ip=0.0.0.0 --allow-root
<img width="994" alt="py30-1.png" src="https://qiita-image-store.s3.amazonaws.com/0/51423/f6e0fb31-6c23-fb6c-bdc4-6fc2a572746c.png">
<img width="980" alt="py30-2.png" src="https://qiita-image-store.s3.amazonaws.com/0/51423/6b9fefa1-6033-111b-d0b5-de7f0d5bfbea.png">
<img width="978" alt="py30-4.png" src="https://qiita-image-store.s3.amazonaws.com/0/51423/448ecc02-c1c3-9203-ff36-eda781c3d45d.png">
<img width="971" alt="py30-5.png" src="https://qiita-image-store.s3.amazonaws.com/0/51423/8aeb7a2d-0248-71c3-3c5c-7f885c87b4a2.png">
# 2. dockerを自力で構築する方へ
ここから下は、上記のpullしていただいたdockerをどういう方針で、どういう手順で作ったかを記録します。
上記のdockerを利用する上での参考資料です。本の続きを実行する上では必要ありません。
自力でdocker/anacondaを構築する場合の手順になります。
dockerfileを作る方法ではありません。ごめんなさい。
## docker
ubuntu, debianなどのLinuxを、linux, windows, mac osから共通に利用できる仕組み。
利用するOSの設定を変更せずに利用できるのがよい。
同じ仕様で、大量の人が利用することができる。
ソフトウェアの開発元が公式に対応しているものと、利用者が便利に仕立てたものの両方が利用可能である。今回は、公式に配布しているものを、自分で仕立てて、他の人にも利用できるようにする。
## python
DeepLearningの実習をPhthonで行って来た。
pythonを使う理由は、多くの機械学習の仕組みがpythonで利用できることと、Rなどの統計解析の仕組みもpythonから容易に利用できることがある。
### anaconda
pythonには、2と３という版の違いと、配布方法の違いなどがある。
Anacondaでpython3をこの１年半利用してきた。
Anacondaを利用した理由は、統計解析のライブラリと、JupyterNotebookが初めから入っているからである。
## docker公式配布
ubuntu, debianなどのOSの公式配布,gcc, anacondaなどの言語の公式配布などがある。
これらを利用し、docker-hubに登録することにより、公式配布の質の確認と、変更権を含む幅広い情報の共有ができる。dockerが公式配布するものではなく、それぞれのソフト提供者の公式配布という意味。
### docker pull
docker公式配布の利用は、URLからpullすることで実現する。
### docker Anaconda
anacondaが公式配布しているものを利用。
$ docker pull kaizenjapan/anaconda-keras
Using default tag: latest
latest: Pulling from continuumio/anaconda3
Digest: sha256:e07b9ca98ac1eeb1179dbf0e0bbcebd87701f8654878d6d8ce164d71746964d1
Status: Image is up to date for continuumio/anaconda3:latest
$ docker run -it -p 8888:8888 continuumio/anaconda3 /bin/bash
実際にはkeras, tensorflow を利用していた他のpushをpull
## apt
```shell-session
(base) root@d8857ae56e69:/# apt update
(base) root@d8857ae56e69:/# apt install -y procps
(base) root@d8857ae56e69:/# apt install -y vim
(base) root@d8857ae56e69:/# apt install -y apt-utils
(base) root@d8857ae56e69:/# apt install sudo
ソース git
(base) root@f19e2f06eabb:/# git clone https://github.com/philipperemy/advanced-deep-learning-keras
conda
# conda update --prefix /opt/conda anaconda
Solving environment: done
# conda install theano
pip
(base) root@f19e2f06eabb:/deep-learning-from-scratch-2/ch01# pip install --upgrade pip
Collecting pip
Downloading https://files.pythonhosted.org/packages/5f/25/e52d3f31441505a5f3af41213346e5b6c221c9e086a166f3703d2ddaf940/pip-18.0-py2.py3-none-any.whl (1.3MB)
100% |████████████████████████████████| 1.3MB 2.0MB/s
distributed 1.21.8 requires msgpack, which is not installed.
Installing collected packages: pip
Found existing installation: pip 10.0.1
Uninstalling pip-10.0.1:
Successfully uninstalled pip-10.0.1
Successfully installed pip-18.0
(
docker hubへの登録
$ docker ps
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
caef766a99ff continuumio/anaconda3 "/usr/bin/tini -- /b…" 10 hours ago Up 10 hours 0.0.0.0:8888->8888/tcp sleepy_bassi
$ docker commit caef766a99ff kaizenjapan/anaconda-philippe
$ docker push kaizenjapan/anaconda-philippe
参考資料(reference)
docker 入門
https://qiita.com/kaizen_nagoya/items/2f31319e40ddaa0bf8a5
なぜdockerで機械学習するか 書籍・ソース一覧作成中 (目標100)
https://qiita.com/kaizen_nagoya/items/ddd12477544bf5ba85e2
dockerで機械学習(1) with anaconda(1)「ゼロから作るDeep Learning - Pythonで学ぶディープラーニングの理論と実装」斎藤 康毅 著
https://qiita.com/kaizen_nagoya/items/a7e94ef6dca128d035ab
dockerで機械学習(2)with anaconda(2)「ゼロから作るDeep Learning2自然言語処理編」斎藤 康毅 著
https://qiita.com/kaizen_nagoya/items/3b80dfc76933cea522c6
dockerで機械学習(3)with anaconda(3)「直感Deep Learning」Antonio Gulli、Sujit Pal 第1章,第2章
https://qiita.com/kaizen_nagoya/items/483ae708c71c88419c32
dockerで機械学習(71) 環境構築(1) docker どっかーら、どーやってもエラーばっかり。
https://qiita.com/kaizen_nagoya/items/690d806a4760d9b9e040
dockerで機械学習(72) 環境構築(2) Docker for Windows
https://qiita.com/kaizen_nagoya/items/c4daa5cf52e9f0c2c002
dockerで機械学習(73) 環境構築(3) docker/linux/macos bash スクリプト, ms-dos batchファイル
https://qiita.com/kaizen_nagoya/items/3f7b39110b7f303a5558
dockerで機械学習(74) 環境構築(4) R 難関いくつ？
https://qiita.com/kaizen_nagoya/items/5fb44773bc38574bcf1c
dockerで機械学習(75)環境構築(5)docker関連ファイルの管理
https://qiita.com/kaizen_nagoya/items/4f03df9a42c923087b5d
OpenCVをPythonで動かそうとしてlibGL.soが無いって言われたけど解決した。
https://qiita.com/toshitanian/items/5da24c0c0bd473d514c8
サーバサイドにおけるmatplotlibによる作図Tips
https://qiita.com/TomokIshii/items/3a26ee4453f535a69e9e
Dockerでホストとコンテナ間でのファイルコピー
https://qiita.com/gologo13/items/7e4e404af80377b48fd5
Docker for Mac でファイル共有を利用する
https://qiita.com/seijimomoto/items/1992d68de8baa7e29bb5
「名古屋のIoTは名古屋のOSで」Dockerをどっかーらどうやって使えばいいんでしょう。TOPPERS/FMP on RaspberryPi with Macintosh編 ５つの関門
https://qiita.com/kaizen_nagoya/items/9c46c6da8ceb64d2d7af
64bitCPUへの道 and/or 64歳の決意
https://qiita.com/kaizen_nagoya/items/cfb5ffa24ded23ab3f60
ゼロから作るDeepLearning２自然言語処理編 読書会の進め方（例）
https://qiita.com/kaizen_nagoya/items/025eb3f701b36209302e
Ubuntu 16.04 LTS で NVIDIA Docker を使ってみる
https://blog.amedama.jp/entry/2017/04/03/235901
<この項は書きかけです。順次追記します。>
This article is not completed. I will add some words and/or centences in order.
Qiita Calendar 2024
2024 参加・主催Calendarと投稿記事一覧 Qiita(248)
https://qiita.com/kaizen_nagoya/items/d80b8fbac2496df7827f
主催Calendar2024分析 Qiita(254)
https://qiita.com/kaizen_nagoya/items/15807336d583076f70bc
博士論文 Calendar 2024 を開催します。
https://qiita.com/kaizen_nagoya/items/51601357efbcaf1057d0
博士論文(0)関連記事一覧
https://qiita.com/kaizen_nagoya/items/8f223a760e607b705e78
自己記事一覧
Qiitaで逆リンクを表示しなくなったような気がする。時々、スマフォで表示するとあらわっることがあり、完全に削除したのではなさそう。
４月以降、せっせとリンクリストを作り、統計を取って確率を説明しようとしている。
2025年２月末を目標にしている。
一覧の一覧( The directory of directories of mine.) Qiita(100)
https://qiita.com/kaizen_nagoya/items/7eb0e006543886138f39
仮説（0）一覧（目標100現在40）
https://qiita.com/kaizen_nagoya/items/f000506fe1837b3590df
Qiita(0)Qiita関連記事一覧（自分）
https://qiita.com/kaizen_nagoya/items/58db5fbf036b28e9dfa6
Error一覧 error(0)
https://qiita.com/kaizen_nagoya/items/48b6cbc8d68eae2c42b8
C++ Support(0)
https://qiita.com/kaizen_nagoya/items/8720d26f762369a80514
Coding(0) Rules, C, Secure, MISRA and so on
https://qiita.com/kaizen_nagoya/items/400725644a8a0e90fbb0
Ethernet 記事一覧 Ethernet(0)
https://qiita.com/kaizen_nagoya/items/88d35e99f74aefc98794
Wireshark 一覧 wireshark(0)、Ethernet(48)
https://qiita.com/kaizen_nagoya/items/fbed841f61875c4731d0
線網（Wi-Fi）空中線(antenna)(0) 記事一覧(118/300目標)
https://qiita.com/kaizen_nagoya/items/5e5464ac2b24bd4cd001
なぜdockerで機械学習するか 書籍・ソース一覧作成中 (目標100)
https://qiita.com/kaizen_nagoya/items/ddd12477544bf5ba85e2
プログラムちょい替え（0）一覧:4件
https://qiita.com/kaizen_nagoya/items/296d87ef4bfd516bc394
言語処理100本ノックをdockerで。python覚えるのに最適。:10+12
https://qiita.com/kaizen_nagoya/items/7e7eb7c543e0c18438c4
Python(0)記事をまとめたい。
https://qiita.com/kaizen_nagoya/items/088c57d70ab6904ebb53
安全（0）安全工学シンポジウムに向けて: 21
https://qiita.com/kaizen_nagoya/items/c5d78f3def8195cb2409
プログラマによる、プログラマのための、統計(0)と確率のプログラミングとその後
https://qiita.com/kaizen_nagoya/items/6e9897eb641268766909
転職(0)一覧
https://qiita.com/kaizen_nagoya/items/f77520d378d33451d6fe
技術士(0)一覧
https://qiita.com/kaizen_nagoya/items/ce4ccf4eb9c5600b89ea
Reserchmap(0) 一覧
https://qiita.com/kaizen_nagoya/items/506c79e562f406c4257e
物理記事 上位100
https://qiita.com/kaizen_nagoya/items/66e90fe31fbe3facc6ff
量子(0) 計算機, 量子力学
https://qiita.com/kaizen_nagoya/items/1cd954cb0eed92879fd4
数学関連記事１００
https://qiita.com/kaizen_nagoya/items/d8dadb49a6397e854c6d
coq(0) 一覧
https://qiita.com/kaizen_nagoya/items/d22f9995cf2173bc3b13
統計(0)一覧
https://qiita.com/kaizen_nagoya/items/80d3b221807e53e88aba
図(0) state, sequence and timing. UML and お絵描き
https://qiita.com/kaizen_nagoya/items/60440a882146aeee9e8f
色(0) 記事100書く切り口
https://qiita.com/kaizen_nagoya/items/22331c0335ed34326b9b
品質一覧
https://qiita.com/kaizen_nagoya/items/2b99b8e9db6d94b2e971
言語・文学記事 １００
https://qiita.com/kaizen_nagoya/items/42d58d5ef7fb53c407d6
医工連携関連記事一覧
https://qiita.com/kaizen_nagoya/items/6ab51c12ba51bc260a82
水の資料集(0) 方針と成果
https://qiita.com/kaizen_nagoya/items/f5dbb30087ea732b52aa
自動車 記事 １００
https://qiita.com/kaizen_nagoya/items/f7f0b9ab36569ad409c5
通信記事１００
https://qiita.com/kaizen_nagoya/items/1d67de5e1cd207b05ef7
日本語（０）一欄
https://qiita.com/kaizen_nagoya/items/7498dcfa3a9ba7fd1e68
英語(0) 一覧
https://qiita.com/kaizen_nagoya/items/680e3f5cbf9430486c7d
音楽 一覧(0)
https://qiita.com/kaizen_nagoya/items/b6e5f42bbfe3bbe40f5d
「@kazuo_reve 新人の方によく展開している有益な情報」確認一覧
https://qiita.com/kaizen_nagoya/items/b9380888d1e5a042646b
鉄道（０）鉄道のシステム考察はてっちゃんがてつだってくれる
https://qiita.com/kaizen_nagoya/items/faa4ea03d91d901a618a
OSEK OS設計の基礎 OSEK(100)
https://qiita.com/kaizen_nagoya/items/7528a22a14242d2d58a3
coding (101) 一覧を作成し始めた。omake:最近のQiitaで表示しない5つの事象
https://qiita.com/kaizen_nagoya/items/20667f09f19598aedb68
官公庁・学校・公的団体（NPOを含む）システムの課題、官（０）
https://qiita.com/kaizen_nagoya/items/04ee6eaf7ec13d3af4c3
「はじめての」シリーズ ベクタージャパン
https://qiita.com/kaizen_nagoya/items/2e41634f6e21a3cf74eb
AUTOSAR(0)Qiita記事一覧, OSEK(75)
https://qiita.com/kaizen_nagoya/items/89c07961b59a8754c869
プログラマが知っていると良い「公序良俗」
https://qiita.com/kaizen_nagoya/items/9fe7c0dfac2fbd77a945
LaTeX(0) 一覧
https://qiita.com/kaizen_nagoya/items/e3f7dafacab58c499792
自動制御、制御工学一覧（０）
https://qiita.com/kaizen_nagoya/items/7767a4e19a6ae1479e6b
Rust(0) 一覧
https://qiita.com/kaizen_nagoya/items/5e8bb080ba6ca0281927
関連資料
' @kazuo_reve 私が効果を確認した「小川メソッド」
https://qiita.com/kazuo_reve/items/a3ea1d9171deeccc04da
' @kazuo_reve 新人の方によく展開している有益な情報
https://qiita.com/kazuo_reve/items/d1a3f0ee48e24bba38f1
' @kazuo_reve Vモデルについて勘違いしていたと思ったこと
https://qiita.com/kazuo_reve/items/46fddb094563bd9b2e1e
Engineering Festa 2024前に必読記事一覧
programの本質は計画だ。programは設計だ。
https://qiita.com/kaizen_nagoya/items/c8545a769c246a458c27
登壇直後版 色使い(JIS安全色) Qiita Engineer Festa 2023〜私しか得しないニッチな技術でLT〜 スライド編 0.15
https://qiita.com/kaizen_nagoya/items/f0d3070d839f4f735b2b
プログラマが知っていると良い「公序良俗」
https://qiita.com/kaizen_nagoya/items/9fe7c0dfac2fbd77a945
逆も真：社会人が最初に確かめるとよいこと。OSEK(69)、Ethernet(59)
https://qiita.com/kaizen_nagoya/items/39afe4a728a31b903ddc
統計の嘘。仮説（127）
https://qiita.com/kaizen_nagoya/items/63b48ecf258a3471c51b
自分の言葉だけで論理展開できるのが天才なら、文章の引用だけで論理展開できるのが秀才だ。仮説（136）
https://qiita.com/kaizen_nagoya/items/97cf07b9e24f860624dd
参考文献駆動執筆(references driven writing)・デンソークリエイト編
https://qiita.com/kaizen_nagoya/items/b27b3f58b8bf265a5cd1
「何を」よりも「誰を」。１０年後のために今見習いたい人たち
https://qiita.com/kaizen_nagoya/items/8045978b16eb49d572b2
Qiitaの記事に３段階または５段階で到達するための方法
https://qiita.com/kaizen_nagoya/items/6e9298296852325adc5e
出力(output)と呼ばないで。これは状態(state)です。
https://qiita.com/kaizen_nagoya/items/80b8b5913b2748867840
coding (101) 一覧を作成し始めた。omake:最近のQiitaで表示しない5つの事象
https://qiita.com/kaizen_nagoya/items/20667f09f19598aedb68
あなたは「勘違いまとめ」から、勘違いだと言っていることが勘違いだといくつ見つけられますか。人間の間違い(human error(125))の種類と対策
https://qiita.com/kaizen_nagoya/items/ae391b77fffb098b8fb4
プログラマの「プログラムが書ける」思い込みは強みだ。３つの理由。仮説（168）統計と確率(17) , OSEK(79)
https://qiita.com/kaizen_nagoya/items/bc5dd86e414de402ec29
出力(output)と呼ばないで。これは状態(state)です。
https://qiita.com/kaizen_nagoya/items/80b8b5913b2748867840
これからの情報伝達手段の在り方について考えてみよう。炎上と便乗。
https://qiita.com/kaizen_nagoya/items/71a09077ac195214f0db
ISO/IEC JTC1 SC7 Software and System Engineering
https://qiita.com/kaizen_nagoya/items/48b43f0f6976a078d907
アクセシビリティの知見を発信しよう！（再び）
https://qiita.com/kaizen_nagoya/items/03457eb9ee74105ee618
統計論及確率論輪講（再び）
https://qiita.com/kaizen_nagoya/items/590874ccfca988e85ea3
読者の心をグッと惹き寄せる7つの魔法
https://qiita.com/kaizen_nagoya/items/b1b5e89bd5c0a211d862
「@kazuo_reve 新人の方によく展開している有益な情報」確認一覧
https://qiita.com/kaizen_nagoya/items/b9380888d1e5a042646b
ソースコードで議論しよう。日本語で議論するの止めましょう（あるプログラミング技術の議論報告）
https://qiita.com/kaizen_nagoya/items/8b9811c80f3338c6c0b0
脳内コンパイラの3つの危険
https://qiita.com/kaizen_nagoya/items/7025cf2d7bd9f276e382
心理学の本を読むよりはコンパイラ書いた方がよくね。仮説（34）
https://qiita.com/kaizen_nagoya/items/fa715732cc148e48880e
NASAを超えるつもりがあれば読んでください。
https://qiita.com/kaizen_nagoya/items/e81669f9cb53109157f6
データサイエンティストの気づき!「勉強して仕事に役立てない人。大嫌い!!」『それ自分かも?』ってなった!!!
https://qiita.com/kaizen_nagoya/items/d85830d58d8dd7f71d07
「ぼくの好きな先生」「人がやらないことをやれ」プログラマになるまで。仮説（37）
https://qiita.com/kaizen_nagoya/items/53e4bded9fe5f724b3c4
なぜ経済学徒を辞め、計算機屋になったか（経済学部入学前・入学後・卒業後対応） 転職(1)
https://qiita.com/kaizen_nagoya/items/06335a1d24c099733f64
プログラミング言語教育のXYZ。 仮説（52）
https://qiita.com/kaizen_nagoya/items/1950c5810fb5c0b07be4
【24卒向け】9ヶ月後に年収１０００万円を目指す。二つの関門と三つの道。
https://qiita.com/kaizen_nagoya/items/fb5bff147193f726ad25
「【25卒向け】Qiita Career Meetup for STUDENT」予習の勧め
https://qiita.com/kaizen_nagoya/items/00eadb8a6e738cb6336f
大学入試不合格でも筆記試験のない大学に入って卒業できる。卒業しなくても博士になれる。
https://qiita.com/kaizen_nagoya/items/74adec99f396d64b5fd5
全世界の不登校の子供たち「博士論文」を書こう。世界子供博士論文遠隔実践中心 安全(99)
https://qiita.com/kaizen_nagoya/items/912d69032c012bcc84f2
小川メソッド 覚え（書きかけ）
https://qiita.com/kaizen_nagoya/items/3593d72eca551742df68
DoCAP（ドゥーキャップ）って何ですか？
https://qiita.com/kaizen_nagoya/items/47e0e6509ab792c43327
views 20,000越え自己記事一覧
https://qiita.com/kaizen_nagoya/items/58e8bd6450957cdecd81
Views１万越え、もうすぐ１万記事一覧 最近いいねをいただいた213記事
https://qiita.com/kaizen_nagoya/items/d2b805717a92459ce853
amazon 殿堂入りNo1レビュアになるまで。仮説(102)
https://qiita.com/kaizen_nagoya/items/83259d18921ce75a91f4
100以上いいねをいただいた記事16選
https://qiita.com/kaizen_nagoya/items/f8d958d9084ffbd15d2a
小川清最終講義、最終講義（再）計画, Ethernet(100) 英語(100) 安全(100)
https://qiita.com/kaizen_nagoya/items/e2df642e3951e35e6a53
＜この記事は個人の過去の経験に基づく個人の感想です。現在所属する組織、業務とは関係がありません。＞
This article is an individual impression based on my individual experience. It has nothing to do with the organization or business to which I currently belong.
文書履歴(document history)
ver. 0.10 初稿 20181022
ver. 0.11 番号変更 20181028
最後までおよみいただきありがとうございました。
いいね 💚、フォローをお願いします。
Thank you very much for reading to the last sentence.
Please press the like icon 💚 and follow me for your happy life.