投資判断支援AIを作ってみた
就活終わって暇になったので証券口座を開設したり、投資や簿記の勉強をはじめました。 もう研究なんてしなくていいってことです。
さて、今回は投資の素人が良く考える「全部判断してくれるAIみたいなのないかなぁ」っていうのを愚直に作ってみました。
完全に素人なので、ドメイン知識を活かせないとここまで辛いか…って感じで精度があまり出なかったのが印象的です。勉強します。
パフォーマンスについて
早速気になるパフォーマンスですが、以下の通りになりました。
しょっぱいですね。4年で10万円ちょっとの利益しか出てないので利回りは2.6%ってとこでしょうか? まぁ4年間で74回しか取引を行っていないのにここまでの利益が出せるなら十分人間以上ってことで良いでしょうか()
予測-リターンの散布図は以下の通りになっています。(正規化した上で±3σ以上の異常値は省いて表示しています)
X軸が予測値、Y軸がリターンです。若干正の相関が見られます。
-σあたりの予測が怪しいですが、今回はそこは予測に使用していないのでまぁ良しとしましょう。
次に、各特徴がどの程度予測に影響を及ぼしているのかSHAPを用いて解析します。
このように予測に重要な数値が表示されました。 (本来であれば変数名が表示されるはずなのですが、どうにもドキュメントが見当たらずにこのような形式になりました)
数値を追っていくとどうやらボリンジャーバンドあたりを詳しく見ているようです。
データについて
今回はお試しということで日経225のデータを利用しています。
2005年から2014年のデータを学習に、 2016年から2019年のデータをモデルの評価に使用しています。
以下の簡単なコードで入手可能です。
import pandas_datareader as web nikkei = web.get_data_yahoo("^N225", start = "2005-01-01", end = "2014-12-31")
また、予測にはこのデータだけでなく、他のテクニカル指標も用いています。 用いているのは単純移動平均、ボリンジャーバンド、MACD、RCIです。 この他に日付データ(曜日、月など)も循環指標として利用しています。
テクニカル指標はやろうと思えば自分で計算できるのですが、便利なライブラリがあるのでこのように計算します。
import talib nikkei['sma25'] = talib.SMA(nikkei["Close"], timeperiod=25)
ただまぁ、自分で書くとどのような指標なのかが理解できるので個人的には一旦自分で書いた方が良いんじゃないかなぁとも思います。
また、Lassoなどでは時系列の表形式データが入力できないのでこれらのデータは1次元にほどく必要があります。 多次元時系列データの特徴量抽出はどうやって処理してあげれば良いのか悩みますね。 一応tsfreshを利用してみたのですが、どうにも上手く動作しませんでした(公式ドキュメントどうりに動かしてもダメとは…?仕様…?)
モデルについて
モデルはなんてことのないLSTMを使用しています。(詳しく言うとLSTM+BatchNorm+Denseです。BatchNormを入れると安定しますが、逆に層を増やすと安定しませんでした。)
ちなみに、これと同じ程度のパフォーマンスをLassoで出せます。
変数の重要度がLassoであれば一発で分かるのですが、SHAPを使いたかったのでこちらにしました。
この他にベースラインとしてsklearnで用意されているものに加えてLGBMなど様々なモデルを利用しましたがどれもイマイチでした。 結局単純なモデルが一番ですね。
取引戦略について
1σ~3σの値が出力された場合のみ取引を行います。そのために取引回数が非常に少ないです。(年平均18回なので一ヶ月に1~2回です。) また、ホールドする概念も無いため、その日のうちに必ず売ります。
また、いわゆる空売りは考慮していませんので、大きな負の値が予測されても特に何も行いません。
ここらへんの戦略も今後詰めていく必要がある部分ですね。
今後について
とりあえずデータを増やします。 日経平均だけではどうしようもないので、ファンダメンタル分析も交えつつ(できればやりたくない)日本市場の様々な企業のデータを学習させようかと思います。 また、利用するテクニカル指標を増やしつつ、今回上手く動作したLSTMとLassoに関して変数を分析し、有用な指標を見極めていければと思っています。
ただ、とりあえず研究もやらなきゃなので、社会人になってからの運用をめざしてのんびりやっていこうかと思います。
間違いの指摘やアドバイス大歓迎なのであったら連絡ください。よろしくお願いします。
就職活動が終わった
先日いわゆる内々定をいただき、無事に就活を終えることができた。
ということでなんとなく何をやってきたのかの記録とか反省とか感想とか書こうかと思う。
開始から終了までの流れ
- 2019年7~8月
夏期インターンシップ。
申し込んだ企業5つぜーんぶ落ちた。
何がダメだったのかと思ったけど、確実に一回も推敲せずに提出したESが悪いと思う。
- 2019年10~11月
ハッカソンに出場した。
ここで色んな方と名刺交換をしたりしたけど、コミュ障すぎて結局2社としか連絡取らなかった。
ちなみにそのうち1社は特別選考とか言って1月くらいに選考があったけど落ちた。特別ってなんだ。説明会とかに参加してたのもこの頃だと思う。 - 2019年12月~2020年1月
インターンラッシュ。
3社くらいの短期(3日とか)インターンに参加した。長期インターンも2社合格してて、片方は残念ながら行けなかったけれど2週間も時間取られるので長期インターンは行かない方がいいなぁって思いました。 - 2020年2月
ES提出ラッシュ。
ESの内容とか全然考えてなかったし2月頭からESの内容は考えたほうがいい。結局ESを提出したのは7社で、ES落ちは1社だけだった。インターンを断った会社だったのでまぁしゃーなしかなぁ。 - 2020年3月
ここが佳境だった。
3月になると2日か3日に一回何かしらの就活イベントが発生していた。(面談、面接、説明会、SPIなどなど)
3月は外資系の内定が出るので、一応このタイミングで内定をもらった。
外資系は2月に終わっていることも多いので外資系を目指している人は1月くらいから真剣に考えたほうがいいかもしれない。あまり詳しくは知らないけど。
…あと、一週間も旅行に行くのはマジでリスクがあるのでやめとけ。
面接の日程が丸かぶりしてて、普通に死ぬかと思った。
最高に楽しいけど。 - 2020年4月
3月後半からそうだったけれど、基本的にすべての面接がweb面接になった。
面接をしたのはESが通った6社中5社で、特別選考に招待されたもう一社を含めて6社の面接を行った。
(ちなみに特別選考はまた落とされた。特別ってなんだ)
この内の1社から内々定の電話をもらったので就活終了。
費用
あまり意識してなかったけど、交通費は普通に過ごしているより多くなった。
証明写真とかも意外と高かったりしたので、全体で見ると1万円はかからないくらいなんじゃないかなと思う。(ミスって証明写真を2回撮ったのが大半を占めているけれど)
まぁ東京にいればそんなに就活にお金はかからないなぁと思った。
利用したサービス
これは声を大にして言いたいのだけれど、マイナビやらリクナビは一切使わなかったので登録しないほうがいい。
結局一通も有用なメール来なかったし、逆求人も一生わけわからん企業から一括送信メールが来るので役に立たない。
俺が利用してたのは以下の2つのサービス
- 外資就活ドットコム
外資就活なんてしねぇよ!って人が大半だろうけど、このサービスは普通に日系企業取り扱っているので、下手に外資系企業が登録されてないサービスより有能かもしれん。
というか、俺はこのサービスの過去の通過したESを見るためだけに登録した。
これがなかなか見やすくて最高。会社別に質問内容と実際の回答が掲載されていて、参考にさせてもらった。
ウチのラボには先輩の就活資料が少ないので非常に役に立った。
(来年就活の人はここから登録するとアマギフ1000円が6月に貰えます。)
- Lab Base
逆求人イベントに参加させてもらった。意外と大企業からも連絡が来るので他の逆求人より良いイメージ。
まぁ結局役に立ったのかは微妙だけれど、色んな企業と繋がれたので良かったと言えば良かった。アマギフも貰えるしね。
- [番外編]LinkedIn
逆求人のサービスは色々あるんだけれど、このサービスはガチの逆求人が来る。まぁそもそも逆求人に主眼を置いたサービスじゃない(ビジネス特化型SNS)ので、それはそうという感じか。
俺が内定をもらった外資系もここからだし、クッソ大企業からも求人が来た。ただ、別に新卒に限ったツールではないので実績が無いとキツそうという印象。
この3つのサービスに共通しているのは「しっかりとメールの量を調整できる」ということ。マイナビだかリクナビだかはなんか知らんがメールやら電話やらが飛んでくる。
企業説明会
色々な企業に行けて楽しかった。就活に役に立ったかと言われると微妙なんだけれど、色んな会社の説明を聞いて「へぇ~こんな仕事があるんだぁ」となるのは単純に楽しい。
ただ、それを仕事にしたいと思えるかどうかは別で、そこがなかなか難しいと思う。
たまに説明会で質問コーナーがあるのだけれど、この質問コーナーでは具体的にどのような仕事があるのかを聞いておいた方が良いように思う。具体的な仕事のイメージがつかないと志望もクソも無いなぁとすべてが終わってから思ったりした。
あと、説明会に2回遅刻したけどあれは良くなかった。
完全にすっぽかした企業はESが通らなかったのですっぽかすのも良くない。
ES
ESは本当に困った。マジで何も書けなかった。2月になって「へぇ!こういうこと聞くんだ就活って!」みたいな状態なのはマジでキツかった。
今から就活の人はある程度メタった方がいいかもしれない。
ESよく聞かれた質問は以下のような感じで、それぞれ非常に書くのがキツかった。
- 志望動機
そもそも「大企業に入りたい」くらいしか考えてない人間はここでつまずく。本気で志望動機がないのでふわふわしたことを書いたけれど、思いっきり「こういうモノを作りたい!」とか書いた方が印象いいかもしれない。 - 希望職種
マジで無い。働きたくない。言われればやるから雇ってくれ。これに関してはめちゃんこ困ったのだけれど、研究か今までの経験に絡めて話すことのできる職種を書くと面接で困らないので良い。
こうやって希望職種を決めるのは良くないのかもしれない… - 強みと弱み
面接で「弱み…無いですね」とか答えるハメになるのでちゃんと考えたほうがいい。強みなんて正直見つからなかったので「外資就活ドットコム」に載ってたものをパクった。
弱みは無限に書けるけれど、面接でめちゃくちゃ深堀りされるので「それ弱みか…?ワンチャン強みじゃね…?」くらいのものにしなければいけないのが面倒くさい。
逆に言うと強みを濃くしていけば弱みにたどり着くのでこっちは意外と書くのが楽だった。 - 学生時代に頑張ったこと(ガクチカって言うらしい)
俺はハッカソンあったからいいけど無かったら研究しか書くことない…と思った。
学部就職した人はホントにすごいと思う。マジで毎日怠惰に過ごしているので書くことがまるで無い。研究しかしてない。
これからの人はなんかネタ作るのがいいと思う。
なるほどそれで文系はカンボジアとかに行くのかぁってなった。 - 研究内容
これは楽勝。ただ、実は自分の研究は書いて無くて、研究室の研究の中でも理解と説明がしやすいものを選んで使った。同期と被らないように注意はしたけれど。
説明がしやすい研究じゃないとガチで厳しいと思う。 - 直面した困難と乗り越え方
知らねぇよ…。困難に直面したら逃げるくらいしかしてないので研究で頑張ったことを書いておいたけど、たぶん相手が求めているものはそうじゃない気がする。
そんな普段から困難に直面する機会ってあるんですかねぇ…?
面接
これがマジで苦手で、本当に志望動機が無いとどこも面接の感触が良くない。どこも似たような質問をされるので対策はできそうだけれど、結局そういうことをやらずに毎回面接でしくじっていた。
っていうか、コロナの影響でカンペ見つつ話せたのは良かったけど、あればバレたりするんだろうか?
- 自己紹介
まずは簡単に自己紹介って言われるけど、何分で話すのが正解なんだろうか?っていうか自分で話しててどのくらい時間が経ったのかとかわからん。
大学と研究内容と普段どんな勉強しているのかくらいしか答えてないけれど、これが正解だったと信じたい。 - 研究内容
ESと同じことを話そう。一回ミスって違う研究の話して詰んだのでそういった粗相の無いようにすれば大丈夫だと思う。
ここで話しやすい研究をESに書くのが大事だと思う。 - 志望動機
これに答えられないと詰むので考えたほうがいい。一回「考えてませんでした…」って言ったら落とされた。
ESで書いたことをちょっと詳しくするだけで良いと思う。 - 具体的にどのような仕事をしたいか?
この質問でだいたい詰むんだけどみんな何を答えてるんだろうか。具体的な仕事って全然思いつかないんだけど。みんなOBとかにどんな仕事してるのかとか聞いたりするんだろうか。
この質問されたら俺は絶対に「もうちょっと具体的に言ってよ」と言われるのでマジで具体的に考えたほうが良いと思う。
インターンや説明会で先輩社員と座談会!みたいなことをしたときにこういうことを聞けば良かった。 - 志望部門以外ならどんな仕事をしたい?
これも聞かれると詰むので対策した方がいいなと思った。部門が全く違う商品名出したら微妙な顔されたのでやりたい仕事を2つ見つけておかなければならない。
…ただ、志望理由すら書くのがしんどい人にはなかなか難しかった。
反省と感想
全体を通して思ったのが、興味を持つってことは重要だなぁということ。
志望理由すら考えずに面接に行って、企業の人には本当に申し訳ないことをしたなと思っている。
ただ、本気でやりたいことが見つからなかったのも事実で、なんとなく「説明会行きまくればやりたいこと見つかるでしょ」とか考えないほうがいいなと思った。
普通に研究内容に沿った企業にESを出せばいいのだけれど、俺の場合は合致する企業がそう多くなかったのでこうなってしまったという側面もあるのかなと思う。
内々定を頂いた企業に関しては唯一行きたいなぁと思ってた企業なので、ESやら面接やらで結局上記のつらさはあまり感じなかった。
研究内容とも相性が良いし、何より雰囲気が良かった。
本当にここに落ちていたらどうなっていたのか想像もしたくない。
とりあえず無事に終わって良かった。もう二度とやりたくない。
say zoo ―unlimited 製図 works―
はじめに
この記事はなに?
注意
心構え
製図はクソ!!!!!!!
あなたは誰?
- もちろん授業で履修した
- バイトで製図してる
- TAを2年間やってる
- 今年から制度が変わったので変化に多分一番詳しい
メカノデザインとは?
メカノデザインの詳細と変更点
講義の進め方
- 〜2018
- 講義
- 演習(製図)
- 次週までに演習中に先生に見せ受領してもらう
- 無理なら翌々週の講義冒頭までに提出
- 2019〜
- 講義
- 演習
- 翌週提出
- 翌々週、先生によるチェックが入った図面を受け取り、修正
- 翌々々週の講義冒頭までに修正した図面を提出
そう、2019年は ”先生による検図が一回しか行われない” のである。
テストについて
2018年まではテストなるものがあり、1時間そこらで筆記テストと製図テスト(これも筆記テストなのか?)、いわゆる”製図RTA”の大会が開催され、そのテストの出来と製図の出来を加味して成績が決められる。*7
課題について
出席について
採点について
で?結局何が辛いの??
製図は意外と書けます。
書けば終わります。
思い返せば書くだけです。
でも想像してみてください。
おわりに
*1:研究室でロボットの研究やろうと思って「製図めっちゃできます!バイトでやってます!!」と豪語したのが原因である。自業自得
*2:余談だが、東4号館は囚人による相互監視がしやすいように内側がガラス張りになっている。実験レポートを提出しに来た学部生が首を傾げていたが、入所すればいずれ分かる
*3:ついでに言うと最高記録は先生が終電を逃すまでやってたとかやってないとか
*4:少なくとも俺は丸一日かかった
*5:俺はTAとして多分唯一この作業を行った。もちろん事前にチェック項目が決められており、それ以外はチェックしなかったがそれでも死ぬほど時間がかかった
*6:ちなみに2018年まで、先生方は検図に加えて図面を持ち帰っての採点もしていた。本当に頭が下がる
*7:ちなみに製図で秀って人を見たことないのだが、存在するのだろうか
自分的Ubuntuの環境設定ベストプラクティス
自分向け、うまく行ったコマンド類だけの羅列
御託はいいからうまくいくの教えろ!的な人向け。
ただし救済はない。
パクリ先の参考にしたURLに飛ぶと詳しく書いてあります。
目次
各コンテンツに繋がりは特にないので必要なところに飛んで大丈夫だと思われる。
ただ、Nvidiaドライバのインストールだけは一番最初にやると良さそう。
- Nvidiaドライバのインストール
- システムの更新
- お掃除
- 日本語フォルダの英語化
- 色々必要そうなもの
- Python色々
- Anacondaの導入
- Docker のインストール
- Dockerの掃除
- texの導入
- openCVの導入
- CUDAの導入
- cuDNNの導入
Nvidiaドライバのインストール
最初にやらないとフリーズしまくることがある
参考
https://echomist.com/ubuntu-18-nvidia-driver-install/
[ソフトウェアとアップデート] → [追加のドライバー]
「NVIDIA driver metapackageをnividia-driver-xxxから使用します」を選択して変更を適応するだけ
※CUIだと下記コマンドで一発
sudo ubuntu-drivers autoinstall
システムの更新
とりあえずやってエラーがないか確認する。
再起動で大抵解決すると思っている。
sudo apt update sudo apt -yV upgrade sudo shutdown -r now
お掃除
とりあえず更新したらやるといいっぽい
sudo apt autoremove sudo apt clean
日本語フォルダの英語化
日本語表記のフォルダあると移動しにくいので推奨
LANG=C xdg-user-dirs-gtk-update
色々必要そうなもの
sudo apt -yV install でぶち込め
他なにかあれば連絡ください
sudo apt -yV install \ git \ wget curl \ build-essential \ zip unzip
Python色々
Python3 開発用ファイル,セットアップツール,pip,numpy のインストール
sudo apt -yV install \ python3-dev \ python3-setuptools \ python3-pip \ python3-numpy
Anacondaの導入
1.公式からダウンロードする
https://www.anaconda.com/distribution/
2.インストーラの起動
ダウンロードしたファイルがあるディレクトリで
bash Anaconda3-*-Linux-x86_64.sh
その後にEnterとyesを押し続ける。
ここでVScodeを入れる。
3.確認
conda -V
4.パスを通す
パスが通ってなかったらやる
vi ~/.bashrc
vimでもなんでもエディタで開いて
export PATH=~/anaconda3/bin:$PATH
をどこかに追加
source ~/.bashrc
とすれば多分解決する。
Docker のインストール
元々はnvidia-docker2について書いていたのですが、非推奨になったので更新しました。
参考
NVIDIA Container Toolkit を使って Docker コンテナで GPU を使う - CUBE SUGAR CONTAINER
1.前提パッケージ類
sudo apt -y install \ apt-transport-https \ ca-certificates \ curl \ gnupg-agent \ software-properties-common
2. Docker のリポジトリを APT に登録
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add - sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" sudo apt update
3. Docker コンポーネントのインストール
sudo apt -y install docker-ce docker-ce-cli containerd.io sudo docker version
4. Docker に Nvidia Driver をインストール
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt upgrade sudo apt -y install ubuntu-drivers-common sudo ubuntu-drivers autoinstall
5. NVIDIA Container Toolkitのインストール
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$(. /etc/os-release;echo $ID$VERSION_ID)/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt update sudo apt -y install nvidia-container-toolkit
6. 再起動と確認
sudo shutdown -r now nvidia-container-cli info
7.動作確認
sudo docker run --rm --gpus all -it ubuntu nvidia-smi
Dockerの掃除
docker rm $(docker ps -aq) #すべてのコンテナを削除 docker images | awk '/<none/{print $3}' | xargs docker rmi #タグがnoneになっているimageを削除
texの導入
参考
Ubuntu 18.04 LTS に LaTeX をインストール - Qiita
これだけ
sudo apt install texlive-lang-cjk xdvik-ja evince sudo apt install texlive-fonts-recommended texlive-fonts-extra
openCVの導入
CUDAを設定した前提だが、後述の通りCUDAはあまり生で入れないほうがいい気がするので、下記リンクに飛んでCUDAなしで導入した方がいいかもしれない(未検証
参考
OpenCV 最新版のビルドとインストール,CUDA 対応可能(ソースコードを使用)(Ubuntu, Debian 上)
1. 前提パッケージ類
sudo apt -yV install openalpr openalpr-utils libopenalpr-dev sudo apt -yV install openni2-utils libopenni2-dev sudo apt -yV install primesense-nite-nonfree sudo apt -yV install libpcl-dev sudo apt -yV install libguava-java sudo apt -yV install python-dev python3-dev pylint pylint3 flake8 python-flake8 python3-flake8 sudo apt -yV install libgtk2.0-dev and pkg-config
2. ソースコードのダウンロードと cmake の実行
cd /tmp rm -rf opencv git clone https://github.com/opencv/opencv.git cd /usr/local sudo rm -rf opencv_contrib sudo git clone https://github.com/opencv/opencv_contrib.git cd /tmp cd opencv rm -rf build mkdir build cd build CUDA_PATH="/usr/local/cuda-10.0" CFLAGS="-I/usr/local/cuda-10.0/include" LDFLAGS="-L/usr/local/cuda-10.0/lib64" \ cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=/usr/local/opencv_contrib/modules \ -D INSTALL_TESTS=ON \ -D INSTALL_C_EXAMPLES=ON \ -D WITH_PYTHON=ON \ -D INSTALL_PYTHON_EXAMPLES=ON \ -D BUILD_opencv_python2=OFF \ -D BUILD_opencv_python3=ON \ -D PYTHON_DEFAULT_EXECUTABLE=python3 \ -D OpenBLAS_INCLUDE_DIR=/usr/include/x86_64-linux-gnu \ -D OpenBLAS_LIB=/usr/lib/x86_64-linux-gnu/libopenblas.so \ -D WITH_MKL=ON \ -D WITH_CUDA=ON \ -D CUDA_FAST_MATH=ON \ -D WITH_CUBLAS=ON \ -D WITH_CUDNN=ON \ -D WITH_NVCUVID=OFF \ -D OPENCV_DNN_CUDA=ON \ -D CUDA_ARCH_PTX=7.5 \ -D BUILD_EXAMPLES=ON ..
CUDAなし差分
cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=/usr/local/opencv_contrib/modules \ -D INSTALL_TESTS=ON \ -D INSTALL_C_EXAMPLES=ON \ -D WITH_PYTHON=ON \ -D INSTALL_PYTHON_EXAMPLES=ON \ -D BUILD_opencv_python2=OFF \ -D BUILD_opencv_python3=ON \ -D PYTHON_DEFAULT_EXECUTABLE=python3 \ -D OpenBLAS_INCLUDE_DIR=/usr/include/x86_64-linux-gnu \ -D OpenBLAS_LIB=/usr/lib/x86_64-linux-gnu/libopenblas.so \ -D WITH_MKL=ON \ -D BUILD_EXAMPLES=ON ..
3. ビルド
CUDA_PATH="/usr/local/cuda-10.0" CFLAGS="-I/usr/local/cuda-10.0/include" LDFLAGS="-L/usr/local/cuda-10.0/lib64" \ make -j4
4. インストール
sudo make install sudo /sbin/ldconfig
5. 確認
python3 -c "import cv2; print( cv2.__version__ )"
CUDAの導入
CUDAは生で入れるのはアップデート等が面倒なので推奨しない。できれば全てDockerで動かすのが良い。
参考
Ubuntu 18.04へのCUDAインストール方法 - Qiita
まずは
CUDA Toolkit 10.2 Download | NVIDIA Developer
にアクセスしてインストールしたいCUDAのバージョンを選択する。
localの場合は指示に従えば良い。
networkの場合は以下のような操作が必要。
各URL、ファイルは自分の場合と読み替えで。
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb sudo apt update sudo apt install cuda-10-0 sudo reboot rm cuda-repo-ubuntu1804_10.0.130-1_amd64.deb export PATH="/usr/local/cuda/bin:$PATH" export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH" sudo shutdown -r now nvidia-smi
nvidia-smiで動作確認できたら勝ち。無理ならどんまい。
cuDNNの導入
"7.5.0.56-1+cuda10.0" の部分は読み替え
Index of /compute/machine-learning/repos/ubuntu1804/x86_64
から適切なバージョンを探す。
echo "deb https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64 /" | sudo tee /etc/apt/sources.list.d/nvidia-ml.list sudo apt update sudo apt install libcudnn7-dev=7.5.0.56-1+cuda10.0 libcudnn7=7.5.0.56-1+cuda10.0
プロキシ環境下でのUbuntuインストール
Ubuntu Desktop 18.04.2 LTS をPCにインストールする際になぜかイーサネット接続ができなくてハマったので書き残しておきます。
1. Ubuntuのインストールメディア作成
ここからUbuntuを入手します。私はUbuntu Desktop 18.04.2 LTSをインストールしました。
Rufusというソフトが便利だったのでそれを使いました。
2. Ubuntuをメディアから起動する
その際に以下の画面になるので右側のUbuntuを選択します。
3. プロキシを設定する
setting>networkを選択して、プロキシの設定を確認します。
これをマニュアルにして、プロキシアドレスとポート番号を打ち込みます。
また、terminalを起動して、以下の様にパスワード等を設定します。HTTPSについても同様です。
4. ドライバを更新する
ここを参考にさせていただきました。以下は引用文となります。
Intelのドライバ配布ページからドライバをダウンロード、解凍します。
nvm.cをテキストエディタで開き、e1000e_validate_nvm_checksum_generic関数を以下のように変更します。
あとはビルド・インストールするだけです。
以上でインターネットに繋がるかと思うので、後は通常のインストールを行って終了です。
ブログをはじめる
自己紹介
はじめましての方ははじめまして、知っている方はこんにちは。あぴすといいます。
現在電気通信大学大学院の1年生で、就活を目前に控えております。
なので、就活のために自分のやっていることをここに書いておこうと思って始めました。
…といっても、研究のことについては病院、企業との共同研究の2つを受け持っているので、守秘義務的に内容はは書けませんが、そこで使ったor勉強した画像処理や機械学習の技術についていろいろ書いていけたらと思っています。
カテゴリとしては大きく分けて「書いたコードについて」「勉強したことについて」「趣味について」になると思います。
スキルについて
研究関係
・論文を2本書きました(一つはリジェクトされました…)
・現在ジャーナルに提出する3本目を執筆中
・受賞1(超音波治療研究会 最優秀ポスター賞)
プログラミング関係
・Python (ある程度の読み書き)
・画像処理の基礎的な知識
・音声処理の初歩的な知識
・機械学習についての基礎的な知識
・深層学習ライブラリ(Pytorch, Keras)の基礎的な操作
・基本情報技術者試験に合格する程度のリテラシー(朝に起きることができます)
恥ずかしながら大学4年になってはじめてプログラミングを始めたので、あまり大したことはないです。
「電気通信大学だからプログラミングとかやってるの?」ってよく言われますが、バリバリの機械科なのでむしろ1年次に「コンピューターリテラシー」でC言語のprintfと戯れた程度です…(研究で使うのになぜやってくれないんだ…
機械科でプログラミングやろうとすると、周りに聞けないので辛いですね。4年生の4月~5月は環境構築で溶けました。いい思い出です。これから本読んだりして、頑張って知識増やしていきたいです。