ダイレクトメッセージを送れるかどうかで判断するみたいなつぶやきが流れてたので。
setでごにょれば良かろうと。
import twitter
api = twitter.Api(username='user',password='pass')
friends = set([u.name for u in api.GetFriends()])
followers = set([u.name for u in api.GetFollowers()])
print "follow and followed: " + ",".join(list(friends.intersection(followers)))
print "not follow but followed: " + ",".join(list(followers.difference(friends)))
print "follow but not followed: " + ",".join(list(friends.difference(followers)))
もう、自分でなんか作ったときにちゃんと読めばいいやって気分になってしまったので流し読み。
Chapter 19
ここまで読めばあとはなんかつくるだけ。というか作りたい物は決まっていて、文献管理システムをPylonsで書き直すのだ
おは(ようを)あり(がとう)ではなくて おは(が)あり（ました）
つまり
みんなのPython 改訂版
The Definitive Guide to PylonsisOha? :: Str -> Bool
なスクリプト。
#!/usr/bin/env python
# -*- encoding:utf-8 -*-
import twitter
api = twitter.Api(username='user',password='pass')
oha = [r.user.screen_name for r in api.GetReplies() \
if r.text.encode('utf-8').find('おは') > -1]
thx = "@" + " @".join(oha) + "おはありです"
status = api.PostUpdate(thx.decode('utf-8'))
pypiにあるtwitterじゃなくてpython-twitterを使いたかったので、既にインストールされてたtwitterモジュールはpythonモジュールのアンインストール - kokiyaの日記を参考に消した。
Chapter14のチュートリアルをやった。簡単なblogみたいなものを作っていく（コメントシステム、タグ、認証系まで）三部作なんだけど、一つの章が分量があるので疲れる。
プログラミングHaskell読みはじめた。この本はHaskellプログラミングの入門書というよりは、Haskellプログラミングとはどういう考え方で書いていくかの入門書的な感じがする。いきなりこれ読んでもhaskellでコード書けないんじゃないだろうか。
4章のリスト内包表記の章で、ある数の因数を求める関数を定義して、それを用いて素数判定をしていたのでpythonでもやってみた。
def factors(n): return [x for x in range(1,n+1) if n % x == 0] def is_prime(n): return True if len(factors(n)) == 2 else False
あとHaskellだと
[x|x <- xs | xs <- a]
でconcatenateできて便利なんでこれもpythonで、とか思ったんだけど
リストの要素が常にひとつのときのみ
a = [[1], [2], [3]] [x for [x] in a] # [1, 2, 3]
ってやればできるんだけど、二つ以上の要素になった場合が分からんかった。
この本ほとんど疑似コード(?)なので考えるにはよいですな。お薦め。
01112009 Python machinelearning
Machine Learning 4章
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)scipyにはB-splinesが用意されているのでそれを使ってみる
プログラミングHaskell
The Definitive Guide to Pylonsfrom pylab import *
from numpy import *
from scipy.signal import cspline1d, cspline1d_eval
x = arange(-3,10,0.05)
y = 2.5 * exp(-(x)**2/9) + 3.2 * exp(-(x-0.5)**2/4) + random.normal(0.0, 1.0, len(x))
spline = cspline1d(y,100)
xbar = arange(-5,15,0.1)
ybar = cspline1d_eval(spline, xbar, dx=x[1]-x[0], x0=x[0])
plot(x,y,'.')
plot(xbar,ybar)
28102009 Python machinelearning
Machine Learning 3章
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)要するにbackwars phaseを実装すればいいんでしょ？的な。実際書いてみると逆に誤差を伝播している感がある。
# Code from Chapter 3 of Machine Learning: An Algorithmic Perspective
# by Stephen Marsland (http://seat.massey.ac.nz/personal/s.r.marsland/MLBook.html)
# You are free to use, change, or redistribute the code in any way you wish for
# non-commercial purposes, but please maintain the name of the original author.
# This code comes with no warranty of any kind.
# Stephen Marsland, 2008
# modifiled by kzfm 2009
from numpy import *
inputs = array([[0,0],[0,1],[1,0],[1,1]])
targets = array([[0],[1],[1],[0]])
ndata,nin = shape(inputs)
nout = shape(targets)[1]
nhidden = 2
beta = 1
momentum = 0.9
eta = 0.25
niterations = 10001
weights1 = (random.rand(nin+1,nhidden)-0.5) * 2/sqrt(nin)
weights2 = (random.rand(nhidden+1,nout)-0.5) * 2/sqrt(nhidden)
# train
inputs = concatenate((inputs,-ones((ndata,1))),axis=1)
change = range(ndata)
updatew1 = zeros((shape(weights1)))
updatew2 = zeros((shape(weights2)))
for n in range(niterations):
hidden = concatenate((1.0/(1.0+exp(-beta * dot(inputs,weights1))), -ones((shape(inputs)[0],1))),axis=1)
outputs = 1.0 / (1.0+exp(-beta * dot(hidden,weights2)))
error = 0.5 * sum((targets-outputs)**2)
if (mod(n,1000)==0): print "Iteration: ",n, " Error: ",error
deltao = (targets-outputs) * outputs * (1.0-outputs)
deltah = hidden * (1.0-hidden) * (dot(deltao,transpose(weights2)))
updatew1 = eta*(dot(transpose(inputs),deltah[:,:-1])) + momentum*updatew1
updatew2 = eta*(dot(transpose(hidden),deltao)) + momentum*updatew2
weights1 += updatew1
weights2 += updatew2
random.shuffle(change)
inputs = inputs[change,:]
targets = targets[change,:]
ちなみに、創薬系でのニューラルネットは論文とかは多いけど、実務ではあんまり使われないと思う(特にケミストよりになればなるほど)。というのは、実務においてはゴールするためにはこういうロジックで合成すればよろしいみたいな指針を提示しないといけないが、ニューラルネットでつくったモデルだとそういう解釈がしづらい。
なんか物がたくさんあって、フィルタリングしたいという要求には答えられるけど、何をどういう指針に従って創るかみたいな、創造（製造）律速な問題には使いにくい。
じゃぁ神経系は創造的ではないのかというと、それはまた違うんじゃないかなぁと思ったりもする。モデル化があれなのかなぁとも思うのだけど、、、、
26102009 Python machinelearning
Machine Learningを読んでいる
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)numpyでパーセプトロンでORを訓練してみた(なにげにパーセプトロンとかニューラルネットワークの実装は初めてだったりする)。
from numpy import *
inputs = array([[0,0],[0,1],[1,0],[1,1]])
targets = array([[0],[1],[1],[1]])
nIterations = 6
eta = 0.25
nData = shape(inputs)[0]
nIn = shape(inputs)[1]
nOut = shape(targets)[1]
weights = random.rand(nIn+1,nOut)
inputs = concatenate((inputs,-ones((nData,1))),axis=1)
for i in range(nIterations):
outputs = where(dot(inputs,weights)>0,1,0)
weights += eta*dot(transpose(inputs),targets-outputs)
print "Iter: %d" % i
print weights
print "Final outputs are:"
print where(dot(inputs,weights)>0,1,0)
この本は、アルゴリズムに関して説明するのがメインの本らしいので、コードの解説はあんまなくて、詳しくはサンプルコード読めということらしいが、もう少し読んでみないとわからん。
5x5のタイル状にしてみた。
好みの夕暮れの色があるように、好みのノイズ量があるに違いないので、もう少しノイズの入れ方を考えないと。
import base64,re,Image
from random import randint
def glitch(infile,outfile):
jpg_text = base64.encodestring(open(infile,"rb").read())
glitched_text = ""
count = 0
width,height = Image.open(infile).size
num = width * height / 10000
for c in jpg_text:
if c == '0':
if randint(0,num) == 0:
count += 1
glitched_text += str(randint(0,9))
else:
glitched_text += c
else:
glitched_text += c
glitched_jpg = base64.decodestring(glitched_text)
open(outfile,"wb").write(glitched_jpg)
return count
if __name__ == '__main__':
for i in range(25):
outfile = "test_%d.jpg" % i
count = glitch("/Users/kzfm/yuki3.jpg",outfile)
#print "%d: %d" % (i,count)
tiled_im = Image.new('RGB',(1600,1200))
tiled_px = tiled_im.load()
for i in range(5):
for j in range(5):
n = 5*i+j;
imgfile = "/Users/kzfm/python/test_%d.jpg" % n
im = Image.open(imgfile)
px = im.load()
for x in range(320):
for y in range(240):
nx = 320 * j + x
ny = 240 * i + y
tiled_px[nx,ny] = px[x,y]
tiled_im.show()