タスク ― 復元 ー データベース
経緯はRAMディスクに.ldf、.mdfをコピー、.ldfパスの書き換えを忘れる。そしてWindows Update、オリジナルのldf破損、といった流れですね…
ALTER DATABASE credit MODIFY FILE ( NAME = credit, FILENAME = 'Y:\mssql\credit.mdf' );
このsqlだとデータべースファイル本体のみしかパスが書き換わらないのでSSMSからデタッチ＆アタッチの方がいいですねー。
いやーWindows UpdateにRAMディスクお掃除されるのはこれで何度目でしょう？(笑)。
NuGetパッケージ、OpenCvSharp3-AnyCPU ver3.4.1.20180319 を使用。
雑感です。
OpenCvSharp.Extensions.Binarizer.Sauvola(binbmp, binbmp, 11, 0.15, 50);
| pytorch | Tensorflow | Keras | Chainer | |
|---|---|---|---|---|
| 複雑な入力データ | △ | 〇 | 〇 | ? |
| 回帰／分類器の構成労力 | △ | △ | 〇 | ? |
| NN構築メソッドが抽象的 | △ | × | 〇 | ? |
| 複雑なネットワークの定義 | 〇 | △ | × | ? |
| 研究内容の実装件数 | △ | 〇 | × | ? |
抽象度の高いAPI。 高位の機械学習APIともいう。 データの入力には下記のfeature-columnsを用いる。
このクラスは以下を内包している。
estimatorへ入力する特徴列（データ）の定義。特徴列の型、サイズ、構造を定義し、生成する。
重みやバイアスといった学習対象の変数を格納する。
学習に必要なデータを供給する。テストデータの入力の際はnumpy行列をそのまま渡す。
参考:
・https://towardsdatascience.com/deploy-tensorflow-models-9813b5a705d5
・https://www.kaggle.com/liampetti/deep-neural-network-using-tensorflow
・https://www.kaggle.com/fuzzyfroghunter/getting-started-with-tensorflow
・https://stackoverflow.com/questions/41116782/tensorflow-how-to-get-prediction
・https://stackoverflow.com/questions/36693740/whats-the-difference-between-tf-placeholder-and-tf-variable
ここでは主に異なるアルゴリズムのアンサンブルを行うスタッキング（stacked ensembling）とその一種と考えられるブレンディング（Blending）を紹介します。と言っておいてなんですが辻褄合わせの結果をご覧ください、といったところ。
bagging、boostingなどはここでは扱いません。
複数の予測値のランク平均、平均、幾何平均などをとる
メタアンサンブリングとも呼ばれる。それぞれ学習器から得られた予測値を「n次元メタ特徴」とし、それらを用いて分類／回帰を任意の回数だけしていく。3次は見たことがないので効果が得られないのだろう。
ブレンディングというのはNetfixコンペの優勝者によって提唱された言葉。ブレンディングはスタッキングの一種と考えられる。これはスタッキングに極めて近いが僅かに異なり、情報欠如のリスクが少ない。いくらかの研究者は スタッキングと ブレンディングを互換的に用いる。
スタッキングよりもブレンディングのほうがテスト性能が良いこともあれば逆もまた然りということ？
以下にアルゴリズムを示す。
“Blending and Stacking”というワードをちらほら見た方もいると思いますが、これは「ブレンドして積み重ねていこー」a.k.a.スタッキングかと。
そして、アイキャッチ画像で行っていることはアンサンブルで減次、減次、ブレンディングで汎化、といったところだろう。
参考:
・http://forums.fast.ai/t/difference-between-stacking-vs-blending/1727
・https://www.quora.com/What-are-examples-of-blending-and-stacking-in-Machine-Learning
・https://github.com/MLWave/Kaggle-Ensemble-Guide
・https://en.wikipedia.org/wiki/Ensemble_learning
AWS EC2と異なり、microインスタンスならば1年以上利用しても無料！
Googleにサインアップ／ログインし、GCPに登録する
Compute Engine ― イメージ ー イメージの作成
kusanagi-for-gcp/kusanagi-for-gcp.tar.gz
ソースを「Cloud Storage ファイル」として上記を検索してイメージを作成する。KUSANAGIというのは超音速WordPress仮想マシン。
Compute Engine ― VMインスタンス
「インスタンスを作成」をクリック。「vCPU x 1」から「micro」にしたいところですがメモリ不足でRPMデータベースが壊れるので「small」に変更。
ディスクは30GBまで無料。
nic0と書いてある場所をクリックしIP転送を「オン」。「HTTP トラフィックを許可する」、「HTTPS トラフィックを許可する」のチェックボックスを有効化、「作成」。
gcloud compute ssh ＜インスタンス名＞ --zone ＜ゾーン＞
sudo su - yum makecache fast yum clean all yum --enablerepo=remi,remi-php56 update -y
「Google Cloud SDK Shell」を起動、接続しアップデートを実行。
kusanagi init shutdown now
KUSANAGIを初期化、言語、キーボードレイアウト、その他を注意して設定、途中で訊かれる追加インストールに関しては無くても問題のでいらない。
シャットダウン後、「small」を利用する必要はないのでブラウザを用いて「micro」に変更して再び起動する。
sudo su - kusanagi provision --WordPress --wplang ja --fqdn test.local --noemail --dbname <dbname> --dbuser <username> --dbpass <passphrase> <website_name>
WordPressをプロファイル生成。例なので適宜変更して使用して下さい。実際に実行したコマンドは記録しておくことをオススメします。
https://nibuiro.netの状態で準備するので今は証明書に関してスルーします。
ここで、後に変更可能なことを示しておく。
kusanagi setting -–fqdn FQDN [profile]
kusanagi ssl –-email email@example.com [profile]
https://nibuiro.netにアクセスするためには作業を行っているコンピュータが自身でドメイン名を解決しなければなりません。
なので、「<GCPインスタンスの外部IP> nibuiro.net」と書き加えます。
こうして、http://nibuiro.net/にアクセスすると、「さぁ、始めましょう！」なものが出てくる。
プロファイル生成時に指定した名前などをそのままコピペする、適当に埋める、と進めていくとダッシュボードにたどりつく。
おつかれさん…と言いたいところですがMariaDBのデフォルトの設定だとリブートしたあとが立ち上がらなくなる。
この時
systemctl status mariadb.service
と打つとソケットに接続できないと出てくるのですが、これはメモリが不足し、途中で処理が止まってしまうが故のもの。
cat /var/log/mysql/mysqld.log vim /etc/my.cnf.d/server.cnf
で、適宜以下のように書き換える。
query_cache_size = 8M # before: 128M
max_heap_table_size = 32M # before: 384M
ログの場所、設定ファイルの場所はバージョンによって違うことがある。
はい、おつかれさん。
セキュリティの強化は読者への課題とする(笑)。
追記:
PHP7のほうが落ちる頻度が少ない傾向がありました。kusanagi php7で変更できます。
ドメイン設定: https://www.compiere-distribution-lab.net/idempiere-lab/install-advance/google-cloud-dns/