読者です 読者をやめる 読者になる 読者になる

空飛ぶ羊

勉強したり登壇したり勉強会参加したり

英語できなすぎて全然話せなくて悔しかった

ポエム GDG Women Techmakers

※ポエム

しょこです。今日はシンガポールにあるGoogle Asia Pacificでサミットがありました。
参加者は各国で国際女性デーイベント「Women Techmakers」の主催をしている人やGDGのオーガナイザをしている人が集まりました。
サミットではリーダーシップのセミナーを受けたり、オフィスを見学したり、ご飯食べたり、女性技術者のもつ課題についてソリューション考えたり、そのソリューションを受けて今後なにを行うかなど話しました。

いつもの私を知っている人だったら、さぞたくさん話したのだろうなと思ったでしょうが、今日は全然話せませんでした。
休憩中やオフィス見学中のフリートークはそれなりのテンポで話せるのですが、議論になった途端、英語で考えるのが遅くて最初の一言を握れないとほとんど参加できなくて相槌をうつのがやっとになってしまいました。何かを一言話して、相手から反応があって、それへの返しを考えている間に他の人が議論に入ってきてどんどんついてけなくなる的な。

めちゃくちゃ悔しくてとりあえず今日聞き取れたけど意味わかんない単語書き留めた(基本スマホ触らないでって感じだったからその場で調べられなかった)。
あと「こいつすげーやつだ!」と思わせる自己紹介、1分と5分英語で出来るように準備しておこう。週末の宿題。

あー。帰国したら毎日レアジョブ予約しよう。

ScalaMatsuri slide list (English Entry) #ScalaMatsuri

Scala

I’m collecting ScalaMatsuri 2017 ’s slides in this entry.

2017.scalamatsuri.org

Day 1

time Room A Room B Room C
10:00-10:40 Readable Scala The road towards Scala.js 1.0.0 StreamDataProcessing 101
11:00-11:15 Kotlin for Scala Programmers Scala Warrior and type-safe web development with Scala.js How to launch a service using Scala
11:25-11:40 Reducing Boilerplate and Combining Effects: A Monad Transformer Example
11:50-12:05 Deadly Code! (seriously) Blocking & Hyper Context Switching Pattern Coding up your first game in Scala Native Preparing for distributed system failures using Akka
12:15-12:30 Performance tips accumulated from developing an ad distribution system
13:30-14:10 The state of Dotty, the next-generation Scala compiler Survival guide for the Streaming world Scala and Play for game servers
14:30-15:10 Make your programs Free. Eye-opener to the very essence of Functional Programming Implementing DMM API Gateway in Akka Streams and HTTP The state of sbt 0.13.x, sbt server, and sbt 1.0
15:30-16:10 Meta-program and/or shapeless all the things! Reactive Kafka with Akka Streams Introduction to ScalikeJDBC
16:30-17:10 Monolith to Reactive - it’s all about architecture 7 key recipes for Data Engineering in Scala and Spark Let’s Build a Serverless Architecture in Scala!
17:30-18:10 Falcon: ChatWork’s Scala product - its history of failures and successes Pragmatic Eff monad for micro-services Using Deep Learning for Recommendation

参加メモ:第1回「ゼロから作るDeep Learning」読書会 in 銀座

イベント概要

  • 第1回「ゼロから作るDeep Learning」読書会 in 銀座
  • 主催 : 株式会社メイプルシステムズ (勉強会初開催らしい)
  • 日時:2017/01/25(水) 19:30 〜 21:30
  • 会場:メイプルシステムズオフィス

maplesystems.connpass.com

まえがき

  • ディープラーニングを作るためには、多くの試練がある
  • この本は、車の運転で例えるなら、車の教習本ではなく、車の原理について理解してもらうことを主眼としている

1. Pythonの概要

1.1 Pythonとは

1.2 Pythonのインストール

  • とりあえずAnacondaディストリビューション入れよう
    • ゼロから作るとは言ってるけどNumPy(数値計算のためのライブラリ)とMatplotlib(グラフ描画のためのライブラリ)は使う
    • Anacondaディストリビューションを使うとNumPy, Matplotlibが含まれているのでおすすめ。
    • 数値を見やすくするのがこの分野では大事

1.3 Python インタプリタ

  • いわゆるREPL環境 (Read-Eval-Print Loop)
  • $ python
  • $ ipython
  • $ jupyter notebook ←おすすめ:WEBブラウザから使える対話環境

1.4 Python スクリプトファイル

  • もちろんREPLだけじゃなくて、普通のプログラムと同じでファイルに書いて実行もできる

1.5 NumPy

import numpy as np # ライブラリを使うためにnpという名前でインポートする

足し算

x = np.array([1.0, 2.0, 3.0])
y = np.array([2.0, 4.0, 6.0])
x+y

array([3., 6., 9.])

掛け算

要素ごとの計算と解釈される

x = np.array([1.0, 2.0, 3.0])
y = np.array([2.0, 4.0, 6.0])
x*y

array([2., 8., 18.])

N次元配列

  • 多次元の配列もいい感じに計算してくれる
  • arrayを入れ子にすることで行列も表現できる

行列の足し算/引き算

  • 成分ごとの足し算/引き算

行列の掛け算/割り算

  • 成分ごとの掛け算/割り算。行列の積とは違うが、成分ごとの掛け算のほうがよく使う。
  • 行列の積と使う場合はdot()関数を利用する

1.6 Matplotlib

sin関数

%matplotlib inline # ブラウザ内で表示するために書いておく

import matplotlib.pyplot as plt 
x=np.arrange(0, 6, 0.1) # 0から6を0.1刻みで増やす
y = np.sin(x)
plt.plot(x, y)
plt.show()

画像の表示

import matplotlib.pyplot as plt
from matplotlib.image import imread
img = imread('lena.png') # 画像の読み込み(適切なパスを設定する!) plt.imshow(img)
plt.show()

1章まとめ

2. パーセプトロン

2.1. パーセプトロンとは

2.2 単純な論理回路

ANDノード, NANDノード, ORノードをパーセプトロンで表現してみよう

AND回路

y= 0(w1x1+w2x2<=θ) 1(w1x1+w2x2>θ)

def AND(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.7
    tmp = x1 * w1 + x2 * w2
    if tmp<= theta:
        return 0
    elif tmp>theta:
        return 1
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))
0
0
0
1

しきい値ではなくバイアス(-b)に置き換える

y= 0(b+w1x1+w2x2<=0) 1(b+w1x1+w2x2>0)

  • θを左辺に移行できるので、右辺がいつも0になるので整理された感じになる
  • 重みとバイアスを変えるだけで他のところは変えずにいろんな回路ができる
    • 基本のパーセプトロンは使いまわせる。その重みを変えるだけで調整ができる
def AND(x1, x2):
    w1, w2, b = 0.5, 0.5, -0.7
    tmp = x1 * w1 + x2 * w2 + b
    if tmp<= 0:
        return 0
    elif tmp>0:
        return 1
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))

NAND回路

def NAND(x1, x2):
    w1, w2, b = 0.5, 0.5, -0.7 # ここしか変えてない
    x = np.array([x1, x2])
    w = np.array([w1, w2])
    tmp = np.sum(w * x) + b
    if tmp<= 0:
        return 0
    elif tmp>0:
        return 1
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))

OR回路

def OR(x1, x2):
    w1, w2, b = 0.5, 0.5, -0.2 # ここしか変えてない
    x = np.array([x1, x2])
    w = np.array([w1, w2])
    tmp = np.sum(w * x) + b
    if tmp<= 0:
        return 0
    elif tmp>0:
        return 1
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))

パーセプトロンの限界

多層パーセプトロン

def XOR(x1, x2):
    # 重み、バイアスは一旦忘れる
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    y = AND(s1, s2)
    return y

NANDからコンピュータへ

  • 多層のパーセプトロンを組み合わせればコンピュータも表現できる
    • ここでいうコンピュータはなんだろう :thinking_face:

まとめ

3. ニューラルネットワークを動かす

パーセプトロンからニューラルネットワーク

  • データが有れば自動で重みを決めれる(=学習させる)→これを機械学習という

ニューラルネットワーク

  • ニューラルネットワーク=入力信号の総和
    • y=h(b+w1x1+w2x2)
    • h(x)は活性化関数(activation function)という
  • 入力層は層として数えないので、入力層・中間層(隠れ層)・出力層で構成されている場合は「2層のニューラルネットワーク」といえる。
  • パーセプトロンは「入力値に重みをかけて、バイアスを足して0より大きいか否かで出力が0か1になるもの」だった

活性化関数

def step_function(x):
    # xに対して一気(broadcast)に0より大きいか小さいかを評価
    y = x > 0
    # yをintにキャストしている
    return y.astype(np.int)
step_function(np.array[-15, -10, 0.1, 10, 50])

array([ 0, 0, 1, 1, 1])

シグモイド関数

def sigmoid(x):
    return 1 / (1 + np.exp(-x))
x = np.array([-1, 1, 2])

array([ 0.26894142, 0.73105858, 0.88079708])

多次元配列

  • 行列と配列をなるべく一気にNumPyに突っ込むことが、Pythonを扱う上での肝
    • 機械学習を勉強するために、線形代数を勉強するぞ→挫折」という人いるがそこまで要らない
    • 行列の足し算・掛け算だけわかってれば3章までは全然だいじょうぶ。内積とかはまた後でいい。
  • 行列の内積
    • 行列と行列から新しい行列を作る演算
    • A×B ≠ B×A (非可換性)
    • 計算方法は省略
A = np.array([[1, 2, 3], [4, 5, 6]])
B = np.array([[1, 2], [3, 4], [5, 6]])
np.dot(A,B)

array([[22, 28], [49, 64]])

3層ニューラルネットワークの実装

読み方

f:id:okoysm:20170125211139p:plain

実装

f:id:okoysm:20170125211840j:plain

  • 最終的なゴールは入力層(x1, x2,…)から出力層(y1, y2,…)が導かれるものにしたい
  • (a1(1), a2(1), a3(1)) =

    • a1(1) = w11(1)x1+w12(1)x2+b1(1)
    • a2(1) = w21(1)x1+w22(1)x2+b2(1)
    • a3(1) = w31(1)x1+w32(1)x2+b3(1)
  • 最後の活性化関数(最後の中間層から出力層への信号の伝達)だけがidentity_function関数(恒等関数)を利用する

実装まとめ

こんな感じになる(networkで定められている値は決め打ち)

def init_network():
        network = {}
        network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
        network['b1'] = np.array([0.1, 0.2, 0.3])
        network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
        network['b2'] = np.array([0.1, 0.2])
        network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
        network['b3'] = np.array([0.1, 0.2])
        return network
    def forward(network, x):
        W1, W2, W3 = network['W1'], network['W2'], network['W3']
        b1, b2, b3 = network['b1'], network['b2'], network['b3']
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        z2 = sigmoid(a2)
        a3 = np.dot(z2, W3) + b3
        y = identity_function(a3)
return y
    network = init_network()
    x = np.array([1.0, 0.5])
    y = forward(network, x)
    print(y) # [ 0.31682708  0.69627909]

出力層の設計

  • 恒等関数→回帰問題に使う(連続した値を予想するとか、人物の写真から体重を予測するとか)
  • ソフトマックス関数→分類問題に使う(あるデータの集まりをクラス(まとまり)に分ける。数字画像の認識0から9の画像を認識させると、その画像に写っている数字が何なのかを認識して計算してくれるとか)

ソフトマックス関数の実装上の注意

  • 指数関数exp()が分母と分子に存在するので、floatの範囲を超えて結果が不安定になりがち
  • 定数として入力信号の最大値max(a1, …, an)を引いておく
    • 「指数関数の引数に定数を足しても引いても値は変わらない」という指数関数の特性を利用している
  • 必ず分母のほうが多いので値が絶対に0から1.0の間の実数になり、出力の総和は1になる。
  • なので、ソフトマックス関数の出力は「確率」として解釈ができる
    • ※ソフトマックス関数を適用しても各要素の大小関係は変わらないので、分類問題を解く際には適用を省略できる

出力層のニューロンの数

  • 分類問題では分類したいクラスの数に設定するのが普通
    • ある入力画像が数字の0から9のどれかを予測したい時には出力層のニューロンは10個に設定する

手書き数字認識

  • MNIST(えむにすと)データセット
    • 機械学習分野で定番のデータセット
    • 訓練画像が6万枚、テスト画像が1万枚(28×28のグレースケール画像)

github.com

バッチ処理

  • ニューラルネットワークの計算効率を上げるには一挙に100個とか判定した方がいいので、入力値を100個にまとめて計算するとかやる
  • もちろん100個ごとじゃなくて全部まるごとでも大丈夫。

まとめ

  • ニューラルネットワークでは、活性化関数としてシグモイド関数や ReLU 関数のような滑らかに変化する関数を利用する。
  • NumPy の多次元配列をうまく使うことで、ニューラルネットワークを効率良く実装することができる。
  • 機械学習の問題は、回帰問題と分類問題に大別できる。
  • 出力層で使用する活性化関数は、回帰問題では恒等関数、分類問題ではソフトマックス関数を一般的に利用する。
  • 分類問題では、出力層のニューロンの数を分類するクラス数に設定する。
  • 入力データのまとまりをバッチと言い、バッチ単位で推論処理を行うことで、計算を高速に行うことができる。

感想

  • ニューラルネットワーク学生のときにやったなー懐かしい。思い出そう。
  • おもったより難しくなさそう。Jupyterでとりあえずゴリゴリやれば面白そう。
  • コンピュータじゃないかのチェックで英数字の判定させてるところ、そろそろつらいな。
  • 自分の好きなアイドルとかでDeep Learningさせたくなるの分かる。

*1:ほんまか工藤案件。

夫婦エンジニアMeetup主催しました #eventdots

dots.女子部 イベント運営 コミュニティ ポエム

1/23に夫婦エンジニアMeetupを渋谷のdots.で行いました。 eventdots.jp

Togetter

togetter.com

感想

コミュニティで運営する方がイベント自体は続けやすい。一人でやってるひとすごい。
今まで、dots.女子部のイベントだったりGeek Women Japanのイベントだったりを運営してきて、だいぶ運営慣れたかなと思っていましたが、まだまだでした。
初心に戻ってやることリストを作ったり、必要な人は頼ったりして今後も運営するときはやっていきたいと思った。

KPT

Keep

  • 夫婦でエンジニアというコンテキストで新しい方に知り合えた
  • 参加者全員と話すことができた
  • よねちゃん(dots.のコミュニティマネージャの一人)めっちゃ助かった(ケータリング、受付、接続周り)
  • 開催前にイベントについてコメントされた時、すぐに回答できた

Problem

  • コンセプトの詰めが甘く、自分も心から楽しめていなかった
  • 「結婚してなくても参加できると思わなかった」というコメントをよくもらった
  • 拡散不足(個人的にはあまり大掛かりにならなくてもいいかなと思っていたが、大場さん夫妻に負い目を味あわせてしまったのは申し訳なかった。)
  • 日時の設定ミス(子持ち共働きのエンジニアは平日渋谷に19時はキツイ。土日なら参加したいという方は居た)
  • 箱の選定ミス(気軽に使えるからとdots.を選んでしまった)
  • 運営の人員不足(当日要員として少なくともあと1人は必要だった)
  • 運営としてのサポート不足(SNSでの写真NG確認、LTの順番決め)

Try

  • 今後も自分は夫婦でエンジニアの人と関わりたいのか立ち止まって考える
  • まずは自分の周りの夫婦エンジニアとご飯会などして顔合わせ
  • そのメンバーが集まれる日をベースに開催日を決定。
  • イベントというよりはあくまでMeetupであることに重きを置く(全員とはいえなくても8割と話せたといえるくらい)

あけましておめでとうございます

あけましておめでとうございます。
昨年はお世話になりました。
本年もよろしくお願いいたします。

今年の目標は「集中」です!
今まで色々やってきましたが、今年は自分のスキル上げていくために、色々手を出さず、自分の時間を作って、自分が伸ばしたいこと、やりたいことのために時間をかけていきます。
目指せGitHub毎日コミット!

あと細々した内容だと
・一番痩せてた頃まで痩せてkeepする(-6kg)
・怪我しないように余裕を持って行動する
・一人飲みは月一回まで

2017年のしょこもよろしくお願いします‼︎

Success is doing, not wishing.

ポエム

今年も今日で終わりなので2016年を振り返り、2017年の抱負を書こうと思います。

記事タイトルについて

この記事のタイトルは私の軸となる考え方です。

Success is doing, not wishing. (Tom Hopkins)

訳は「成功は行動をすることであり、願うことではない」です。単純ですね。成功するためには羨ましがるんじゃなくて、ひたすらただただ行動しなければならない。そういう生き方をしてきました。この言葉に出会った時、まさに私だと思い、今でも心に残っています。

2016年振り返り

どんな感じだった?

1月:Geek Women Japanの初活動(新年会)
2月:有給消化
3月:転職(2社目)
4月:ほぼ毎日をウィッグで過ごすようになる
5月:早速病んで休んで、某社にインターンシップ
6月:東工大の授業に参加し始めた
7月:とにかく登壇した
8月:入社以来携わってきたPJのリリースに追われてた
9月:めっちゃ移動した(大阪・京都〜北海道)
10月:Geek Women Japan 2016の準備で死にそうだった
11月:心療内科の通院を再開した
12月:業務でScalaが書けるように異動できた

所感

転職してから、社外活動の範囲や規模がどんどん大きくなったなと思いました。
いいことを言うと、社外活動範囲がとても広がったので、自分の居ないところで話題になってたり、「あ、あの羊のアイコンの!」など一方的に知られているケースが増えました。社外に出ているエンジニアの中でも比較的注目されているんだなと嬉しかったです。
でも、自分のキャパシティ以上に社外活動をした結果、髪が抜けてしまったり、本業に影響が出てしまったり、なかなか身体と心のバランスがとれず苦しかったです。
12月からはPJの異動が叶い、Scalaや周辺技術の勉強・開発ができてとても快適です。メンバーも3人でとても気楽です。

2017年はどうする。

基本方針

社外活動を減らします。なんでも安請け合いするのではなく、絞って社外活動をし、自分が本当にやりたいこと(楽器演奏や、自分のプログラミングスキル向上)ができる時間を増やせるようにします。そのために、今iPhoneの壁紙に、以下の質問を設定することで冷静に判断するようにしています。

  • 労力に見合った対価が得られるか
  • 自分と関係者、どちらも楽しめるか
  • 自分と関係者、どちらもおおきくなれるか
  • 自分と関係者の周りに人が増えるか
  • 寿命が縮まないか?健康削らないか?削っても超回復するか?

これらの質問に「はい」と答えられるものに絞り、自分を尖らせていきたいと思います。

それではみなさん来年もよろしくお願いいたします。

夫のエバンジェリストになりたい #惚気 #夫大好き

ポエム

この記事は妻・夫を愛してるITエンジニアAdvent Calendarの最終日です。

www.adventar.org

うらがみさんTwitterのノリで決めたらその2までできてて衝撃でした。笑

TL;DR

エンジニア夫婦はいいぞ。meetupやるからきてね eventdots.jp

馴れ初め

勉強会「dodosoft」で出会い、結婚しました。今結婚して3年目です。
付き合ってすぐ同棲したので、一緒に住んでるのは4年くらいです。

okoysm.hatenablog.jp

旦那の好きなところ

優しい

あれやりたいからここ行ってきていい?とか一緒にこれやろうよ!とか受け入れてくれる優しいところが好きです。
松村Advent Calendarや妻・夫を愛しているITエンジニアAdvent Calendarにも参加してくれました。
夫のおかげで社内外で活躍できていると心から思います。

www.adventar.org
muramurasan.hatenablog.jp

交友関係に寛容

学生時代から男友達が多い私で、仲いい友人と二人で出かける時とかも、予め言っておけば行っていいよって言ってくれるところが好きです。この信頼関係が築けているのが良いです。

エンジニアトークで盛り上がれる

rebuildで〜とか、今日はもくもくデートしようとか、そういうノリを受け入れてくれる、むしろお互い楽しめる関係性が築けているところが好きです。

記念日を大事にする

付き合った日、入籍記念日、挙式日、誕生日すべてを大事にしてくれて何かしらイベントをやってくれるところが好きです。

家事ができる

一人暮らしの期間が長かったので家事がほとんどできる。で、私が許せないレベルのところはどんどん直してくれて、今ではすべて任せられます。(例えばおしゃれ着を普通の洗剤で洗うことがなくなりました)

育ちがいい

ご飯を用意する時に、副菜とかもちゃんと用意してくれるところが好きです。

よく褒めてくれる

私が「これできたよー!」とか「発表やりきったよー!」とか言うとよしよしって褒めてくれるところが好きです

一緒にお家Hackできる

詳しくはこちらで。 qiita.com

病気に理解がある

私は精神疾患を患っています。それについて知識・理解があるところが好きです。

私のことをよく見てる

ちょっと調子が悪そうなときとか、疲れているときとか、自分より早く気づいてくれるところが好きです。

お笑いのネタを日常会話に入れて会話できる

サンドイッチマンアンジャッシュが特に好きな夫の影響でお笑いが好きになりました。日常会話で入れてる/入れてたネタを少しだけ紹介します。

いいだしたらキリがなくなってきた

のでこのあたりにしておきます。

22くらいで結婚してどうだった?

正直早い方だとわかっていますが、でも、こんな素敵な男性もう現れないだろうなと思いながら結婚しました。
今でもたまにLIKEな男性がでてきたりしますが、「総合的に夫を超えられるか?」と考えると無理ですね

まとめ

こういう話をできる夫婦Advent最高だなーという感じです。これからもよろしくおねがいします。

夫婦エンジニアMeetupやるよ!

夫婦でエンジニアの人って結構いると思うので、仲良くなりたいです!なのでmeetupを開催することにしました!
keynoteはおしどり夫婦でエンジニアとしても活躍されている大場夫妻です。
Hangout参加枠やキッズスペース用意などもしているので、是非お越しください〜
参加できるのは夫婦エンジニアだけでなく、それに憧れる女性や、お子さんです。

eventdots.jp

おまけ:今年のクリスマスの予定は?

昨日二人でホテルランチしてきました。最高でした。お昼スタートだったのでゆっくりした時間を過ごすことができました。

今日は我が家で私の同僚を呼んでクリスマスパーティーをします!
初めてのクリスマスホームパーティーにわくわくです。やっていいよっていってくれた旦那大好きー!

それではみなさん、メリークリスマス! f:id:okoysm:20161215091010j:plain