こんにちは。

機械学習超初心者がTensorFlow(というよりKeras?)と102 Category Flower Datasetを使って画像分類をしてみました。とりあえず既存のデータセットを使って画像分類してみたい、という方の参考になれば幸いです。また、間違っているところや改善できるところがあればご指摘いただけると非常にありがたいです。

ソースコードはこちらにあるipynbファイル。

環境

Google Colaboratory
Python 3.6.9
TensorFlow 2.2.0
Keras 2.3.0-tf
NumPy 1.18.5
pandas 1.0.5
SciPy 1.4.1
scikit-learn 0.22.2.post1
Requests 2.23.0

全て2020年7月8日時点でのGoogle Colaboratory上でのバージョンです。

Google Colaboratoryとは

Jupyter Notebookのオンライン版のようなもので、インタラクティブなPythonの実行環境です。必要なものはGoogleアカウントだけなので気軽に使い始められます。高性能GPUも無料で使えちゃうすごいサービスです。

使うにはGoogle Driveを開いて、「新規 > その他」からGoogle Colaboratoryを選びます。その他に無ければ「新規 > その他 > アプリを追加」でcolabと検索してインストールします。

インポート一覧

インポートするモジュールをここにまとめておきます。

使うモジュール一覧

import os
import requests
import tarfile

import numpy as np
import scipy
from scipy import io
import pandas as pd
from sklearn.model_selection import train_test_split
from PIL import Image

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Dropout, GlobalAveragePooling2D, BatchNormalization
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.preprocessing.image import ImageDataGenerator

データセットを取得する

実は今回使うデータセットはTensorFlow Datasets nightly (tfds-nightly)にあるのでわざわざ取りに行く必要はないのですが、ImageDataGeneratorでの画像加工がしやすかったのでディレクトリに保存しました。Google DriveをマウントすることでデータセットをDriveに保存できます。

URLからデータセットを取得

# Google Driveをマウント
from google.colab import drive
drive.mount('/content/drive')

# データセットを取得し解凍
DataPath = '/content/drive/My Drive/data'
if not os.path.exists(DataPath):
  os.mkdir(DataPath)
tgz_path = os.path.join(DataPath, '102flowers.tgz')
url = 'http://www.robots.ox.ac.uk/~vgg/data/flowers/102/102flowers.tgz'
r_image = requests.get(url)
with open(tgz_path, 'wb') as f:
  f.write(r_image.content)
tar = tarfile.open(tgz_path, 'r')
for item in tar:
  tar.extract(item, DataPath)

# ラベル情報が書かれたファイルを取得
mat_path = os.path.join(DataPath, 'imagelabels.mat')
label_url = 'http://www.robots.ox.ac.uk/~vgg/data/flowers/102/imagelabels.mat'
r_label = requests.get(label_url)
with open(mat_path, 'wb') as f:
  f.write(r_label.content)

画像とラベルを紐づける

pandasを使って画像とラベルを紐づけます。こちらのページを参考にさせていただきました。
【機械学習事始め】102枚の花の画像分類をした

画像とラベルを紐づける

matdata = scipy.io.loadmat(mat_path)
labels = matdata['labels'][0]
images = ['image_{:05}.jpg'.format(i + 1) for i in range(len(labels))]
image_label_df = pd.DataFrame({'image': images, 'label': labels})

これで以下のようなデータフレームができました。

image	label
image_00001.jpg	77
image_00002.jpg	77
:	:

imagelabels.matにはラベルのインデックスしかないので、インデックスと名前を紐づけます。私はtfdsの存在を知る前にこの作業を行ったので、愚かにも全ての画像に目を通し、データセット取得元のページにあるラベル一覧と見比べながら対応表を作りましたが、tfdsのソースコードにインデックス順の名前のリストがあるので、そちらを使って対応表を作ることをおすすめします。ちなみにこの愚行のおかげで花の知識が少し増えました。

あらかじめ対応表(label_names.csv)をGoogle Driveにアップロードしておいてください。

インデックスと名前を紐づける

label_names_path = os.path.join(DataPath, 'label_names.csv')  # 血と汗と涙の結晶
label_names = pd.read_csv(label_names_path, index_col=0)
df = pd.merge(image_label_df, label_names, how='left', on='label')
csv_path = os.path.join(DataPath, 'image_label_name.csv')
df.to_csv(csv_path)  # データフレームをcsvファイルに保存

これで以下のようなデータフレームができました。

image	label	name
image_00001.jpg	77	passion flower
image_00002.jpg	77	passion flower
:	:	:

学習データと検証データに分ける

scikit-learnのtrain_test_split関数を使って、データセットを学習データと検証データに分けます。学習データと検証データの比率は8:2としました。

(本当は学習データ、検証データ、テストデータの3つに分けるのが良いとされていますが、今回は学習データと検証データの2つに分けました。なお、ここでのtestは検証データのことです。)

学習データと検証データに分ける

X_train_path = os.path.join(DataPath, 'X_train')  # 学習データ用ディレクトリ
X_test_path = os.path.join(DataPath, 'X_test')    # 検証データ用ディレクトリ
if not os.path.exists(X_train_path):
  os.mkdir(X_train_path)
if not os.path.exists(X_test_path):
  os.mkdir(X_test_path)

labels = pd.read_csv(csv_path, index_col=0)  # 先ほど作ったcsvファイルを読み込む
jpg_path = os.path.join(DataPath, 'jpg')

# 学習データと検証データに分ける
# 変数は左から学習画像、検証画像、学習ラベル、検証ラベル
X_train, X_test, Y_train, Y_test = train_test_split(os.listdir(jpg_path), labels['name'], test_size=0.2, random_state=0)

# それぞれのディレクトリにファイルを移動する
for f in os.listdir(jpg_path):
  img = Image.open(os.path.join(jpg_path, f))
  if f in X_train:
    img.save(os.path.join(X_train_path, f))
  elif f in X_test:
    img.save(os.path.join(X_test_path, f))

ラベルごとに分ける

ImageDataGeneratorのflow_from_directory関数を使うために、画像をさらにラベルごとに分けます。

ラベルごとに分ける

# 学習データをラベルごとに分ける
for f in os.listdir(X_train_path):
  index = df.image[df.image==f].index
  category = str(df.name[index].values).replace('[', '').replace(']', '').replace("'", '')
  if category == '"colts foot"':
    category = "colt's foot"
  category_path = os.path.join(X_train_path, category)
  if not os.path.exists(category_path):
    os.makedirs(category_path)
  img = Image.open(os.path.join(X_train_path, f))
  img.save(os.path.join(category_path, f))
  os.remove(os.path.join(X_train_path, f))

# 検証データをラベルごとに分ける
for f in os.listdir(X_test_path):
  index = df.image[df.image==f].index
  category = str(df.name[index].values).replace('[', '').replace(']', '').replace("'", '')
  if category == '"colts foot"':
    category = "colt's foot"
  category_path = os.path.join(X_test_path, category)
  if not os.path.exists(category_path):
    os.makedirs(category_path)
  img = Image.open(os.path.join(X_test_path, f))
  img.save(os.path.join(category_path, f))
  os.remove(os.path.join(X_test_path, f))

データを水増しする

今回使うデータセットは8189枚の画像群で、102種類の花の画像が各40~258枚入っています。これは学習データの量としては多くはありません。そこでKerasのImageDataGeneratorを使い、画像を回転したり反転したりすることでデータの水増しをします。

ImageDataGeneratorは「リアルタイムにデータ拡張しながら，テンソル画像データのバッチを生成します．また，このジェネレータは，データを無限にループするので，無限にバッチを生成します．」(公式ドキュメントより)

ImageDataGeneratorクラスで加工方法(正規化を含む)を指定し、flow_from_directory関数でディレクトリ内にある画像に対して加工を施し、かつバッチを生成します。

データの水増し

train_datagen = ImageDataGenerator(
    rescale=1.0/255,
    rotation_range=45,
    width_shift_range=.15,
    height_shift_range=.15,
    horizontal_flip=True,
    vertical_flip=True,
    zoom_range=0.5,
    shear_range=0.2
    )

val_datagen = ImageDataGenerator(rescale=1.0/255)

train_gen = train_datagen.flow_from_directory(
    X_train_path,
    target_size=(224, 224),
    color_mode='rgb',
    batch_size=32,
    class_mode='categorical',
    shuffle=True
)

val_gen = val_datagen.flow_from_directory(
    X_test_path,
    target_size=(224, 224),
    color_mode='rgb',
    batch_size=32,
    class_mode='categorical',
    shuffle=True
)

batch_sizeは大きいほど学習が早く終わりますがメモリを大量に消費します。逆に小さいほど学習には時間がかかりますが、メモリの制約に収まり、バッチ全体ではなく一つ一つのデータの特徴を捉えることができます。大きさとしては、1、32、128、256、512あたりがよく使われるようです。

[参考]
- 【Deep Learning】 Batch sizeをどうやって決めるかについてまとめる

モデルを構築する

やっと機械学習っぽいところまで来ました。
今回は比較的精度が高いらしいResNet50をベースにfine-tuningモデルを作りました。転移学習でも良いのではないかと思い試したのですが、fine-tuningしたモデルの方が精度が高かったのでそちらを選択しました。
転移学習とfine-tuningの違いは多くの記事で説明されていますが、私の理解としてはベースモデルの重みを更新しないのが転移学習、更新するのがfine-tuningなのかなと思っています。

本題。まずベースモデルをダウンロードします。

ResNet50をダウンロード

base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

重みはImageNetのもの、出力層のノード数(ラベルの数)がResNet50の本来のものとは違うので出力層を含まない、入力データは3チャンネル(rgb)で224×224サイズ。

次に、ベースモデルに層を追加します。

ベースモデルに層を追加

# 全ての重みを更新
base_model.trainable = True  

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = BatchNormalization()(x)
x = Dropout(0.5)(x)
x = Dense(2048, activation='relu')(x)
x = BatchNormalization()(x)
x = Dense(1024, activation='relu')(x)
x = BatchNormalization()(x)
x = Dropout(0.5)(x)
outputs = Dense(102, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=outputs)

model.compile(optimizer=keras.optimizers.RMSprop(lr=1e-5),
             loss=keras.losses.CategoricalCrossentropy(from_logits=True),
             metrics=['accuracy'])

# model.summary()でモデルの詳細を確認可能

Flattenだとパラメータの数が多すぎてメモリ不足になることがあったのでGlobalAveragePooling2Dを使いました。特徴マップを1×1にし1次元にしてくれます。BatchNormalizationは学習を早くしたり過学習を抑えてくれたりするそうです。これによりDropoutが要らない場合もあるようですが、念のためDropoutも入れておきました。

[参考]
- [CNN] Global Average Pooling 層のすすめ
- 畳み込みニューラルネットワークをKeras風に定義するとアーキテクチャの図をパワーポイントで保存してくれるツールを作った
- Deep LearningにおけるBatch Normalizationの理解メモと、実際にその効果を見てみる

Optimizerは多くのモデルでRMSpropが使われていたのでそれを採用しました。SGDとAdamでも試してみましたが、RMSpropが一番性能が良かったです。Fine-tuningする場合は学習率をかなり小さくするとのことなので1e-5に設定しました。

[参考]
- Transfer learning & fine-tuning

学習

ついに学習です。

学習させる

history = model.fit(
    train_gen,
    steps_per_epoch=6551//32,  # 学習データの数//batch_size
    epochs=30,
    validation_data=val_gen,
    validation_steps=1638//32  # 検証データの数//batch_size
)

model.save('oxflower_local_waug_ResNet50_fullfine.h5')  # モデルを保存する

上ではepochs=30となっていますが、何回か繰り返して結局140 epochsで止めました。

学習結果(ラスト10 epochs)

Epoch 1/10
204/204 [==============================] - 122s 598ms/step - loss: 3.6719 - accuracy: 0.9739 - val_loss: 3.6781 - val_accuracy: 0.9663
Epoch 2/10
204/204 [==============================] - 122s 597ms/step - loss: 3.6690 - accuracy: 0.9770 - val_loss: 3.6776 - val_accuracy: 0.9675
Epoch 3/10
204/204 [==============================] - 122s 597ms/step - loss: 3.6711 - accuracy: 0.9750 - val_loss: 3.6782 - val_accuracy: 0.9688
Epoch 4/10
204/204 [==============================] - 122s 598ms/step - loss: 3.6676 - accuracy: 0.9779 - val_loss: 3.6799 - val_accuracy: 0.9657
Epoch 5/10
204/204 [==============================] - 122s 597ms/step - loss: 3.6675 - accuracy: 0.9782 - val_loss: 3.6774 - val_accuracy: 0.9675
Epoch 6/10
204/204 [==============================] - 122s 596ms/step - loss: 3.6648 - accuracy: 0.9810 - val_loss: 3.6762 - val_accuracy: 0.9688
Epoch 7/10
204/204 [==============================] - 122s 599ms/step - loss: 3.6636 - accuracy: 0.9828 - val_loss: 3.6767 - val_accuracy: 0.9694
Epoch 8/10
204/204 [==============================] - 123s 601ms/step - loss: 3.6644 - accuracy: 0.9821 - val_loss: 3.6780 - val_accuracy: 0.9663
Epoch 9/10
204/204 [==============================] - 122s 598ms/step - loss: 3.6644 - accuracy: 0.9808 - val_loss: 3.6798 - val_accuracy: 0.9645
Epoch 10/10
204/204 [==============================] - 122s 597ms/step - loss: 3.6618 - accuracy: 0.9839 - val_loss: 3.6788 - val_accuracy: 0.9645

最終的なval_accuracyは96%とかなり良い結果が出ましたが、loss、val_loss共にやけに高いのが気になります。他の方々の結果を見てみるとこれらの値は大体0.06くらいの小さな値で、1を超えているケースは見ないのですが何故なのでしょう。どなたかご意見いただけると嬉しいです。
ちなみに、accuracyは学習データに対する正解率、val_accuracyは検証データに対する正解率で、未知のデータに対する性能を測るにはval_accuracy(及びval_loss)に注目するべきのようです。

予測してみる

学習したモデルがちゃんと花の種類を判別できるか確かめるために、こちらの画像を判別させてみます。

蓮(lotus)です。(Wikipediaより引用)

ラベル予測

# 画像はGoogle Driveにアップロード
img = Image.open('lotus2.jpg').convert('RGB')  
img = img.resize((224, 224))
im2arr = keras.preprocessing.image.img_to_array(img)
im2arr = im2arr.reshape(1, 224, 224, 3)
im2arr = im2arr.astype('float32')
im2arr = im2arr / 255.0

# 予測
pred = model.predict(im2arr)  

# ラベル名のリストを作る
keys = train_gen.class_indices.keys()
label_names = [] 
for key in keys:
  label_names.append(key)

# ラベルインデックスに対応するラベル名が得られる
print(label_names[np.argmax(pred)])  # 出力結果: lotus

predict関数は予測結果のnumpy arrayを返します。argmax関数を使うことで、予測結果のなかで最も数値の高いインデックスが分かります。しかし、インデックスだけ分かっても何の花なのか分からないので、ラベル名が分かるようにします。
結果、正しく予測してくれました。

おわりに

ここまで長々とお付き合い頂きありがとうございました。
次は画像ではなく時系列データを使って時系列予想に挑戦してみようと思います。

アリーヴェデルチ！

はじめに

みなさん、AVの作品名って気にしたことありますか？

私はふとした瞬間にある疑問が浮かびました。

「AVの作品名って、AV女優の特徴を表してるんじゃね？」
「もしそうなら、その特徴から自分のAV癖が分かるんじゃないかな？」

そう思ったら、いざ行動！
やっていきましょう

今回はワードクラウドという手法を用いて、仮説を立証していきます。
(私の好きな七沢みあさんに協力してもらいます。)

ワードクラウドとは？

「ワードクラウド」とは、文章中に現れる出現頻度の高い単語を抽出し、1枚の絵にしたものです。
ある文章がどんな傾向なのか視覚的に”パッと見”で分かるので、手っ取り早く、かつ取っつきやすい方法のひとつです。

HTML取得

import requests #webページを取得するライブラリ
from bs4 import BeautifulSoup #取得したHTMLのデータの中から、タグを読み取り、操作できるライブラリ

url = "https://ja.wikipedia.org/wiki/%E4%B8%83%E6%B2%A2%E3%81%BF%E3%81%82" #七沢みあのwikiURL
response = requests.get(url)
response.encoding = response.apparent_encoding #response.apparent_encoding に、正しい文字コードである SHIFT_JISが格納されている(文字化けを防げます)
soup = BeautifulSoup(response.text, "html.parser") #BeautifulSoup(解析対象のHTML/XML, 利用するパーサー(解析器))

#HTMLをインデントできる
print(soup.prettify())

正しくHTMLが取得できました。

作品名取得

span_list1=soup.findAll("td")
titles=[]
for i in span_list1:
    tmp=i.find("b")
    if tmp==None:
        continue
    else:
        print(tmp.text)
        titles.append(tmp.text)

上記の出力から、「!」マークや「-」マークなど今回の分析に必要ない要素が含まれているため、これから取り除きます。

クレイジング

import re
changed_titles1=[]

for i in titles:
    tmp=re.sub("!","",i)
    tmp=re.sub(" ","",tmp)
    tmp=re.sub("！","",tmp)
    tmp=re.sub("!!","",tmp)
    tmp=re.sub("〜","",tmp)
    tmp=re.sub("～","",tmp)
    tmp=re.sub("-","",tmp)
    tmp=re.sub("・","",tmp)
    tmp=re.sub("「","",tmp)
    tmp=re.sub("」","",tmp)
    tmp=re.sub("七沢みあ","",tmp)
    if tmp=="":
        continue
    else:
        changed_titles1.append(tmp)

changed_titles1

これで不必要な文字が取り除けましたね。
ここから、形態素解析に入っていきます。

形態素解析

import MeCab

changed_titles2=''.join(changed_titles1) #リストから文字列にする必要があります
text = changed_titles2
m = MeCab.Tagger("-Ochasen")#テキストをパースするためのTaggerインスタンス生成

#名詞のみを取り除いてみます
nouns = [line for line in m.parse(text).splitlines()#Taggerクラスのparseメソッドを使うと、テキストを形態素解析した結果が返る
               if "名詞" in line.split()[-1]]

for str in nouns:
    print(str.split())

nouns = [line.split()[0] for line in m.parse(text).splitlines()
               if "名詞" in line.split()[-1]]
print(nouns)

結果は！？

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text_new=""
for i in nouns:
    text_new = text_new + " " + i

word_cloud=WordCloud(background_color='white',font_path=r"C:\Users\tomoh\機械学習 able\ワードクラウド\meiryo.ttc",min_font_size=5,prefer_horizontal=1)
word_cloud.generate(text_new)

plt.figure(figsize=(10,8))
plt.imshow(word_cloud)
plt.axis("off")
plt.show()

上記の結果は、七沢みあさんの特徴を正しく表していることが分かります。

なぜなら、七沢みあさんの動画を一本も見逃さず鑑賞した経験があるからこそ分かるものがあるのです。(経験談ですいません。)

思い返してみると、
・ツンデレ
・挑発
・女子大
凄い惹かれるものを感じました。

もし彼女がいたら、この3点が揃ってたらいいなぁ…

他の女優さんと比較

高橋しょうこさんはグラビア界からデビューの有名な女優さんですね。
この結果から、「アイドル、グラビア」という特徴はもちろん「上司、お姉ちゃん」というワードから、年上のSっ気のある特徴も読み取れます。

怒られたい願望があるM気質の方におすすめですね。

三上悠亜さんは元SKE所属の人気の女優さんですね。
この結果から、「アイドル」という特徴はもちろん、「高級、巨乳,ソープ」というワードから、高級ソープ嬢の特徴も読み取れます。

お金はないけど、高級ソープを味わいたい方におすすめですね。

水卜さくらさんは、七沢みあさんを好きになる前にお世話になった女優さんです。
この結果から、「おっぱい、巨乳、地味」という特徴が読み取れます。
恐らく、アニオタの地味な巨乳の女性が好きな方におすすめになると思います。

以上の結果から、
私は「地味で、巨乳な、ツンデレ気質がある女子大生」が好きなことがワードクラウドから分かりました。

確かにそうかも

「巨乳」という点では、高橋しょうこさん、三上悠亜さんも一致しているが、
それよりも七沢みあさんと水卜さくらさんの動画を視聴する機会が多いことから、
今回の仮説は立証です。

皆さんもぜひお試しあれ。

概要

海外ではエンジニアの面接においてコーディングテストというものが行われるらしく、多くの場合、特定の関数やクラスをお題に沿って実装するという物がメインである。

どうやら多くのエンジニアはその対策としてLeetCodeなるサイトで対策を行うようだ。

早い話が本場でも行われているようなコーディングテストに耐えうるようなアルゴリズム力を鍛えるサイトであり、海外のテックカンパニーでのキャリアを積みたい方にとっては避けては通れない道である。

と、仰々しく書いてみましたが、私は今のところそういった面接を受ける予定はありません。

ただ、ITエンジニアとして人並みのアルゴリズム力くらいは持っておいた方がいいだろうということで不定期に問題を解いてその時に考えたやり方をメモ的に書いていこうかと思います。

Leetcode

Python3で解いています。

ゼロから始めるLeetCode 目次

前回
ゼロから始めるLeetCode Day79「1282. Group the People Given the Group Size They Belong To」

Twitterやってます。

技術ブログ始めました！！
技術はLeetCode、Django、Nuxt、あたりについて書くと思います。こちらの方が更新は早いので、よければブクマよろしくお願いいたします！

＃問題
703. Kth Largest Element in a Stream
難易度はEasy。

問題としては、ストリーム内のk番目に大きい要素を見つけるクラスを設計してください．これは、ソートされた順番の中でk番目に大きい要素であって、k番目の異なる要素ではないことに注意してください。

KthLargestは、整数kとストリームの初期要素を含む整数配列numsを受け入れるコンストラクタを持ちますKthLargest.addメソッドを呼び出すたびに、ストリーム内のk番目に大きい要素を表す要素を返します。

Example:

int k = 3;
int[] arr = [4,5,8,2];
KthLargest kthLargest = new KthLargest(3, arr);
kthLargest.add(3); // returns 4
kthLargest.add(5); // returns 5
kthLargest.add(10); // returns 5
kthLargest.add(9); // returns 8
kthLargest.add(4); // returns 8

要はコンストラクタとaddメソッドを実装してくださいね、ってことですね。

この問題を取り扱ったのは、Googleのコーディング面接をパスした人がおすすめしているLeetCodeの問題集に載ってたからです。

コーディング面接対策のために解きたいLeetCode 60問

面白そうなので一通り解いてみようかなーと思います。
最近新しい問題ばかり解いていましたし、久々に面白そうな取り組みになりそうです。

解法

ヒープの問題ってことで、大人しくヒープを使います。
優先度付きキューとも言いますね。

一見この問題簡単そうに見えますよね。

毎回要素を追加した後にソートしてその中からk-1の要素を返してあげれば良くね？となりそうですが、ソートという処理は重いので普通に時間切れになると思います。

例えば、以下のような処理ですね。

def add(val):
    lists.append(val)
    self.lists.sort()
    return self.lists[self.num-1]

これではaddが呼ばれる度にソートがかかり、要素が増えれば増えるほど重くなっていきます。

なので最初から要素を追加する時に優先度付きのキューを使って管理してしまえばわざわざソートしなくてもいいよね？ってことです。

ヒープを使ったものとして以下のコードを書きました。

import heapq

class KthLargest:
    def __init__(self, k: int, nums: List[int]):
        self.lists,self.num = [],k
        for i in nums:
            self.add(i)

    def add(self, val: int) -> int:
        heapq.heappush(self.lists, val)
        if len(self.lists) > self.num: 
            heapq.heappop(self.lists)
        return self.lists[0]

# Your KthLargest object will be instantiated and called as such:
# obj = KthLargest(k, nums)
# param_1 = obj.add(val)
# Runtime: 136 ms, faster than 45.40% of Python3 online submissions for Kth Largest Element in a Stream.
# Memory Usage: 17.6 MB, less than 78.45% of Python3 online submissions for Kth Largest Element in a Stream.

こうすることで最初に与えられた要素から全ての要素をヒープとして扱い、listsの長さの値がnumと同値になるまでひたすらpop、すなわちリストから最小値を取り出すため、非常にスムーズに処理が行われます。

書いてて思ったのですが、ヒープで書いたことほとんどなかったような気がするので復習がてらいい勉強になりました。

では今回はここまで。お疲れ様でした。

やりたいこと

• 言語：Python
• Google Cloud FunctionsでStack Driver Loggingにログを出力したい。
• ドキュメントを見ると print でやれって書いてある
  • https://cloud.google.com/functions/docs/monitoring/logging?hl=ja#functions-log-helloworld-python
• とはいえログレベルは設定したい

やったこと

• google-cloud-loggingを使う
  • requirements.txtに google-cloud-logging==1.14.0 を追記

# Imports the Google Cloud client library
import logging
from google.cloud import logging as glogging

client = glogging.Client(project=os.environ['PROJECT_ID'])
handler = client.get_default_handler()
cloud_logger = logging.getLogger('cloudLogger')
cloud_logger.setLevel(logging.INFO)
cloud_logger.addHandler(handler)

def test_method(request):

  print('== start ==')

  try:
    cloud_logger.info('Info Message')
    cloud_logger.warn('Warn Message')
    raise Exception
  except Exception:
    cloud_logger.error('Error Message')
    raise Exception

  print('== finish ==')

実行、しかしログが出ない

• なんにも出ない。

原因（想像）

• print にしても結果は変わらず・・・
• どうやらGoogle Cloud Functionsはcrash（=異常終了）するとそこまでのログを出力してくれない
  • ドキュメントのどこかに記述があるのだろうか・・・・
• なのでExceptionが出たらcatchして最終的に sys.exit() するように変更

import sys
# 中略
  try:
    cloud_logger.info('Info Message')
    cloud_logger.warn('Warn Message')
    raise Exception
  except Exception:
    cloud_logger.error('Error Message')
    sys.exit()

  print('== finish ==')

再実行、そしてエラー

• Failed to submit 3 logs.
• google.api_core.exceptions.PermissionDenied: 403 The caller does not have permission

とな

Google Cloud Functionsのサービスアカウント

• ドキュメントを見るとGoogle Cloud Functionsのデフォルトサービスアカウントは PROJECT_ID@appspot.gserviceaccount.com （App Engine default service account）になると記載がある。どうやらプロジェクト編集者のロールを持っているらしい。
  • https://cloud.google.com/functions/docs/concepts/iam?hl=ja#runtime_service_account
  • SAを見るとたしかにそんなものが生まれてる。
• 自分の環境を見ると・・・・ない！
  • なぜか無くなっていた模様

解決策

• 専用のSAを作成してGoogle Cloud Functionsへ紐付け。
• ちゃんとログが出るようになりました
  • エラーレベルがinfoとerrorしかないのはなぜだろう・・・

振り返り

• ドキュメントはちゃんと読もう
  • 書いてなかったかもしれないけど
• 横着してデフォルトのSAを使わず、ちゃんと必要な権限をもったSAを作成して利用しよう
• Cloud Functionsは落とさない。正常終了させる
• 稼働状況をモニタリングするならerror件数ではなくログのerrorメッセージ数を見る（しかないのだろうか・・・？）

注意

これらの要素を含有しています

• クソコード
• 無知晒し
• 満足度の低い結果

前置き

クソデカ羅生門ってのがちょっと前に話題になったじゃないですか、このむやみに巨大化する文法が好きになったので生成したいと思います

環境

• Python 3.8.3
• pip 20.1.1
• mecab-python 0.996.2
• nltk 3.5
• （テキストエディタとしてVSCodeとNotepad++を使用）

準備とか

テキストデータの入手

青空文庫から素の羅生門をダウンロードします。ここにはルビ無しファイルがダウンロードできると書いてあったんですがルビありしか見つからなかったのでそっちをダウンロードしてルビを取り除きます。
まず青空文庫側が追加した底本表記とかを削除しまして、

テキストエディタ側の機能で｜|《[^《》]*》|※［[^［］]*］の正規表現にマッチする文字列を削除（無に置換）します。

あ、あと文字コードがShift-JISに設定されてたんですがなんかムカついたのでUTF-8に変更しました。

方向性を考える

とりあえず比較

これでとりあえずテキストデータの下準備は終わりました。ちょっとdifff.jpでクソ普通羅生門とクソデカ羅生門を比較してみましょう。

お分かりいただけたでしょうか。クソデカ羅生門は、改行なんかをのぞけば原文を全く削らずに完全な「足し算」でクソデカ化しているんです。つまるところ、クソデカ文章の生成の時も、語句そのものを変化させることはないように注意する必要があります。単純に品詞を過剰にするだけでは原文を崩してしまいますからね。

「一点特化」について

あとクソデカ化について言うところとしては、形容を盛りまくるというよりは一点特化である、ということです。例えば

その代りまた鴉がどこからか、たくさん集って来た。昼間見ると、その鴉が何羽となく輪を描いて、高い鴟尾のまわりを啼きながら、飛びまわっている。

っていうクソ普通羅生門の文章を、クソデカ羅生門はこうクソデカ化―――語呂が悪いのでクソデ化としましょう―――しています。

その代りまた超凶悪な鴉がどこからか、億単位でたくさん集って来た。昼間見ると、その鴉が何万羽となく輪を描いて、クソ高い鴟尾のまわりを鼓膜破壊レベルの音量で啼きながら、亜音速で飛びまわっている。

このクソデ化は、私が思うに既存の形容を強化することに重点が置かれています。例えば「たくさん」は「億単位でたくさん」になりますし、「何羽」は「何万羽」、「高い」は「クソ高い」になります。例えば「高い」を「デカくて高い」とかにして属性を増やすことも可能でしょうが、あえてそれをせずに既存の形容の強化に専念しているわけです。
また、既存の形容が存在しない場合は、新規の形容を作ってそれを強化しています。「鴉が」なら「凶悪な鴉が」となり、それがさらに「超凶悪な鴉が」となります。そもそもタイトルからして「クソ」「デカ」「羅生門」ですからね、「クソ」で「デカ」を強化しているわけです。¹

やっていく

とりあえずまくらせる

クソデ化にあたって「まくる」は重要です。こいつらはすぐに何かをしまくりますからね。
「まくらせる」ためには、

1. 自立語の動詞を探す
2. その原形を取得
3. 原形から連用形に変換
4. 「まくる」をつける

的な工程を踏めばよさそうです。
なんか他にうまい方法がある気がするんですが思い付かなかったので、IPA辞書を直接殴る方式（参考）でいきます。

データ用意

まずIPA辞書をダウンロードして解凍し、その中のVerb.csvというファイルをカレントディレクトリにコピーして開きます。こいつは動詞のデータが入ってるファイルですね。
中身はこんな感じになってます。

10列目に「連用形」が記されている行以外はいらないので消します。テキストエディタ（表計算ソフトではない）で開いて^(?!.*,連用形,).*$\nの正規表現にマッチする文字列を消したらいい感じになると思います。

こうなりました、連用形リスト.csvって名称で保存しときます。あと処理が面倒なので文字コードをUTF-8に変更しておきます。
更に「まくる」の活用に関するファイルも作ります。元のVerb.csvのこの部分

をコピーしてまくる.csvって名前でカレントディレクトリに保存します。こっちもUTF-8です。

コード

書きました。

# -*- coding: utf-8 -*-
import MeCab
import csv
t = MeCab.Tagger()
print("入力せよ")
text = input()
nodes_s = t.parseToNode(text)
output = ""
with open('連用形リスト.csv',encoding='UTF-8') as r, open("まくる.csv",encoding='UTF-8') as m:
    r_list = [list(x) for x in zip(*[row for row in (csv.reader(r))])]
    m_list = [list(x) for x in zip(*[row for row in (csv.reader(m))])]
while nodes_s:
    nodes_a = nodes_s.feature.split(",")
    if nodes_a[:2] == ["動詞", "自立"] and not nodes_s.feature.split(",")[6] in ["する","ある"]:
        ori = nodes_a[6]
        type = nodes_a[5]
        renyo = r_list[0][r_list[10].index(ori)]
        mak = m_list[0][m_list[9].index(type)]
        if mak == "まくり" and nodes_s.next.feature.split(",")[7][0] in "タチツテト":
            mak = "まくっ"  # タ接続でうまくいかない場合があったので例外処理
        output += renyo + mak
    else:
        output += nodes_s.surface
    nodes_s = nodes_s.next
print("\n出力：\n" + output)

雑なコードですみません。
こいつを実行します。

入力
下人は、老婆が死骸につまずきながら、慌てふためいて逃げようとする行手を塞いで、こう罵った。老婆は、それでも下人をつきのけて行こうとする。下人はまた、それを行かすまいとして、押しもどす。二人は死骸の中で、しばらく、無言のまま、つかみ合った。しかし勝敗は、はじめからわかっている。下人はとうとう、老婆の腕をつかんで、無理にそこへじ倒した。丁度、鶏の脚のような、骨と皮ばかりの腕である。

出力
下人は、老婆が死骸につまずきまくりながら、慌てまくりふためきまくって逃げまくろうとする行手を塞ぎまくっで、こう罵りまくった。老婆は、それでも下人をつきまくりのけて行こうとする。下人はまた、それを行かしまくるまいとして、押しもどす。二人は死骸の中で、しばらく、無言のまま、つかみ合いまくった。しかし勝敗は、はじめからわかりまくっている。下人はとうとう、老婆の腕をつかみまくっで、無理にそこへじ倒しまくった。丁度、鶏の脚のような、骨と皮ばかりの腕である。
とりあえず意図したこと「らしきこと」は何となくできてる気がします。いろいろと不備はありますが
このままだと「まくりすぎ」なので、調整は必要でしょうね。

「しまくらない」を殺す

このコードだと特定の文字を入れたときに不自然な感じになっちゃいます。
例えば下人の行方は、誰も知らない。を入力したとして、
出力されるのは下人の行方は、誰も知りまくらない。です。
いや、何？って話ですよ、知りまくらないって何？
明らかにおかしいのでコードを変更します。

#前略
while nodes_s:
    nodes_a = nodes_s.feature.split(",")
    if nodes_a[:2] == ["動詞", "自立"] and not nodes_s.feature.split(",")[6] in ["する","ある"]:
#後略

ここのifをちょっと弄りまして、

while nodes_s:
    nodes_a = nodes_s.feature.split(",")
    if nodes_a[:2] == ["動詞", "自立"] and (not nodes_s.feature.split(",")[6] in ["する","ある"]) and not nodes_s.next.feature.split(",")[4] in ["特殊・ナイ"]:

こうします。
これはタ接続時の例外処理と似たような処理で、処理中のnodeの次のノードをnextで先読みすることで判定しています。
これでちゃんと下人の行方は、誰も知らない。が出力されます。

「まくっで」を殺す

「選んで」とかが「選びまくっで」とかになっちゃうのでこいつを殺します。
雑にreplaceでキルします。
printの1行前にoutput = output.replace("まくっで","まくって")を突っ込んだら解決しました
あ、あとまくらられみたいなのもあったのでこいつもreplaceでまくられに置換しましょう

以下略

まあこんな風に不自然な場所を人為的に直しました
過程を移すのが面倒なので略しまして、結果としてこんなコードができました

# -*- coding: utf-8 -*-
import MeCab
import csv
t = MeCab.Tagger()
print("入力せよ")
inp = input()
def makuring(text):
    nodes_s = t.parseToNode(text)
    output = ""
    with open('連用形リスト.csv',encoding='UTF-8') as r, open("まくる.csv",encoding='UTF-8') as m:
        r_list = [list(x) for x in zip(*[row for row in (csv.reader(r))])]
        m_list = [list(x) for x in zip(*[row for row in (csv.reader(m))])]
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        if nodes_a[:2] == ["動詞", "自立"] and (not nodes_s.feature.split(",")[6] in ["する", "ある", "なる", "いる","言う","云う","行く"]) and not nodes_s.next.feature.split(",")[4] in ["特殊・ナイ", "特殊・ヌ"]:
            ori = nodes_a[6]
            type = nodes_a[5]
            if ori in r_list[10]:
                renyo = r_list[0][r_list[10].index(ori)]
                mak = m_list[0][m_list[9].index(type)]
                if mak == "まくり" and nodes_s.next.feature.split(",")[7][0] in "タチツテト":
                    mak = "まくっ"  # タ接続でうまくいかない場合があったので例外処理
                output += renyo + mak
            else:
                output += nodes_s.surface
        else:
            output += nodes_s.surface
        nodes_s = nodes_s.next
    return output.replace("まくっで", "まくって").replace("まくらられ", "まくられ").replace("まくっだ", "まくった")

ついでにこれらを関数という扱いにしてみました。
これでとりあえず「まくり」処理は完成です。

数字をくっつける

クソデカ羅生門はクソデ化にあたって数字もクソデ化しています。レートは100倍～10000倍くらいですかね？あと盗賊に対する6万人などの、「妙に具体的な数字が与えられる」事象も多発してます。
とりあえず既存の数字を10の2～4乗倍する感じにしました。

# -*- coding: utf-8 -*-
import MeCab
import csv
from kanjize import int2kanji, kanji2int
import random
t = MeCab.Tagger()
print("入力せよ")
inp = input()
kan_dic = { "百": "百","五": "五","５": "五","八": "八","・": "・","兆": "兆","９": "九",
            "七": "七","三": "三","０": "〇","０": "〇","万": "万","零": "〇","四": "四",
            "７": "七","２": "二","４": "四","１": "一","６": "六","〇": "〇","十": "十",
            "六": "六","８": "八","３": "三","二": "二","○": "〇" ,"千": "千","一": "一",
            "億": "億","九": "九","ひゃく": "百","ゼロ": "〇","いち": "一"} # IPA辞書を加工して作った数字の正規化用辞書

#（略）
def incr(text):
    nodes_s = t.parseToNode(text)
    output = ""
    int_flag = False
    count = 0
    while nodes_s:
        count += 1
        nodes_a = nodes_s.feature.split(",")
        if nodes_a[1] == "数" and nodes_s.surface in kan_dic.keys():
            if not int_flag:
                int_flag = True
                kansuji = ""
            kansuji += kan_dic[nodes_s.surface]
        else:
            if int_flag:
                int_flag = False
                random.seed(kansuji)
                output += int2kanji(kanji2int(kansuji) * (10 ** random.randint(2,4)))
            elif count > 1:
                if nodes_s.prev.surface in ["何", "なん", "幾"] and nodes_s.prev.feature.split(",")[1] == "数":
                    random.seed(nodes_s.surface)
                    output += random.choice(["千","万","億"])
            output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

print("\n出力：\n" + makuring(incr(inp)))

入力
広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げた、大きな円柱に、蟋蟀が一匹とまっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう二三人はありそうなものである。それが、この男のほかには誰もいない。

出力
広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げまくった、大きな円柱に、蟋蟀が千匹とまりまくっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう五千人はありそうなものである。それが、この男のほかには誰もいない。
「ニ三人」が「ニ万三千人」（これはこれで間違った解釈ですが）じゃなくて「五千人」になっちゃってるのは、漢字と数字の相互変換に使ってるkanjizeってライブラリの仕様によるものだと思います。直せる気もしますが面倒なのでやめときます。

「たくさん」の処理

クソデ化の時、「たくさん」が「億単位でたくさん」になるじゃないですか、あれの処理をします
なんかnltkとWordnetでいい感じになりそうなのでこの記事を参考に

pip install nltk
python -c "import nltk;nltk.download('wordnet')"
python -c "import nltk;nltk.download('omw')"

をコマンドプロンプトで実行して環境を整えます。
さて、試しに「たくさん」の類語を出力してみます。（さっき貼った記事のコードほぼそのままです、すみません）

from nltk.corpus import wordnet

synsets = wordnet.synsets("たくさん", lang='jpn')
takusan_synset = synsets[0]
synonyms = takusan_synset.lemma_names("jpn")
print(synonyms)

出力
['たくさん', '厖大', '多量', '大量', '数多', '沢山', '浩大', '潤沢', '総やか', '豊', '豊か', '豊富', '豊満', '豊潤', '豊饒']
いいですね、いかにもたくさん、って感じ
この吐き出されたリストをそのまま「たくさんっぽい言葉」の配列として保存して、その配列に含まれる言葉を類語として持っている言葉に具体的な数字をつける方向で行きましょう
（盗人を6万人にするのは方法が思いつかなかったので諦めました）

# -*- coding: utf-8 -*-
import MeCab
import csv
from kanjize import int2kanji, kanji2int
import random
from nltk.corpus import wordnet
#（略）
blacklist = []
t = MeCab.Tagger()
takusan = [ 'たくさん', '厖大', '多量', '大量', '数多', '沢山', '浩大',
            '潤沢', '総やか', '豊', '豊か', '豊富', '豊満', '豊潤', '豊饒']
#（略）
def embod(text):
    global blacklist
    nodes_s = t.parseToNode(text)
    output = ""
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        if not (nodes_a[1] in ["動詞", "助詞", "記号", "助動詞"] or nodes_s.surface in blacklist):
            synsets = wordnet.synsets(nodes_s.surface, lang='jpn')
            synsets_a = []
            for i in synsets:
                synsets_a += i.lemma_names("jpn")
            if len(set(takusan) & set(synsets_a)) > 0:
                random.seed(nodes_s.prev.prev.surface +nodes_s.prev.surface) #なんか一つの入力に対する生成結果が常に同じの方がいい気がしたのでシード設定
                output += random.choice(["万単位で","億単位で","兆単位で"])
            else:
                blacklist += nodes_s.surface
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

なんか処理が長くなる予感がしたんでブラックリストをつけて実行時間短縮を図りました。
入力
その代りまた鴉がどこからか、たくさん集って来た。昼間見ると、その鴉が何羽となく輪を描いて、高い鴟尾のまわりを啼きながら、飛びまわっている。ことに門の上の空が、夕焼けであかくなる時には、それが胡麻をまいたようにはっきり見えた。鴉は、勿論、門の上にある死人の肉を、啄みに来るのである。――もっとも今日は、刻限が遅いせいか、一羽も見えない。ただ、所々、崩れかかった、そうしてその崩れ目に長い草のはえた石段の上に、鴉の糞が、点々と白くこびりついているのが見える。下人は七段ある石段の一番上の段に、洗いざらした紺の襖の尻を据えて、右の頬に出来た、大きな面皰を気にしながら、ぼんやり、雨のふるのを眺めていた。
出力
その代りまた鴉がどこからか、兆単位でたくさん集いまくって来た。昼間見まくると、その鴉が何千羽となく輪を描きまくって、高い鴟尾のまわりを啼きまくりながら、飛びまわりまくっている。ことに門の上の空が、夕焼けであかくなる時には、それが胡麻をまきまくったようにはっきり見えまくった。鴉は、勿論、門の上にある死人の肉を、啄みまくりに来まくるのである。――もっとも今日は、刻限が遅いせいか、千羽も見えない。ただ、所々、崩れまくりかかった、そうしてその崩れ目に長い草のはえまくった石段の上に、鴉の糞が、点々と白くこびりつきまくっているのが見えまくる。下人は七千段ある石段の一番上の段に、洗いざらした紺の襖の尻を据えまくって、右の頬に出来まくった、大きな面皰を気にしながら、ぼんやり、雨のふりまくるのを眺めまくっていた。
なかなかいい感じじゃないでしょうか。

「ニ三人」の処理

さっき「直せる気もしますが面倒なのでやめときます」って書いたんですが、なんか思ったより楽な気がしてきたので直していきます。

#（略）
        else:
            if int_flag:
                int_flag = False
                if len(kansuji) > 1:
                    if all((s in "一二三四五六七八九") for s in [kansuji[0],kansuji[1]]): #最初の2文字が両方一～九であった場合「ニ三」の同類とみなす
                        output += kansuji[0]
                        kansuji = kansuji[1:]
                random.seed(kansuji)
                output += int2kanji(kanji2int(kansuji) * (10 ** random.randint(2,4)))
#（略）

入力
広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げた、大きな円柱に、蟋蟀が一匹とまっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう二三人はありそうなものである。それが、この男のほかには誰もいない。
出力
兆単位で広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げまくった、大きな円柱に、蟋蟀が千匹とまりまくっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう二三千人はありそうなものである。それが、この男のほかには誰もいない。

完璧か？

形容の追加・クソデ化

前置き（長い）

ついに来てしまいました………おそらく一番の難関というかこれを書いている今も方法をよく理解してないです
いや、どうすればいいの？
えっと、とりあえず「まだ形容されてない単語」に「新しく形容をつける」みたいなことをやってみようと思います

↑この文章を書いたのが3日前です……3日間隙あらばHacknetやってました………生産性がなさすぎる
「いやほんとどーしよーな～～～～～」みたいな感じでへらへら笑いながらHacknetでPointclickerのデータ改竄してましたからね………酷い奴だ
でですね、3日間の間にCabochaを使って係り受け解析すれば「形容がついてる文章」と「ついてない文章」で分けられるのでは？ということを思いつきました
そういうわけでとりあえずここからCabochaをインストールして………
あれっ
あの、今インストールしてテストしてるところなんですが、何も出力しません
これ何かしらに失敗しましたわ、どうしようもない
そういうわけで、Cabocha以外の係り受け解析器を探します

これだ

COTOHA APIです。知人の話ではこいつには構文解析（つよい）機能があるらしいじゃないですか、俺はこれで未来を掴むぜと思ったんですがなんか知らないけど「利用規約読みました」のチェックボックスがクリックできなかったので諦めます。もう終わりだ

こうなったら

気合で何とかします。プランを練りましょう
えーっとですね、「形容されている」か「されていない」かを判定して、されていない場合はあたらしく適当につける、みたいなことをやればいいはずです。
まず「形容されるべき言葉」とでも言うべきものがあるはずです。とりあえず一般名詞（盗人や蟋蟀など）と自立動詞（啼くや飛び回るなど）などは「形容されるべき言葉」である、ということにしましょう。
そして「この形容されるべき言葉」が形容されているかの判定にはひとつ前の形態素が格助詞または句点であるかを用いることにします。なんかこれでいい感じになる気がしたのでこうします。
これを元に関数を作ってみましょう。

#（略）
def deco(text):
    nodes_s = t.parseToNode(text)
    output = ""
    count = 0
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        count += 1
        if nodes_a[:2] in [["名詞", "一般"], ["名詞", "固有名詞"], ["動詞", "自立"]] and count > 1:
            if nodes_s.prev.feature.split(",")[0] in ["連体詞"] or nodes_s.prev.feature.split(",")[1] in ["格助詞", "句点", "読点", "並立助詞"]:
                output += "クソデカ"
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

print("\n出力：\n" + makuring(embod(incr(deco(inp)))))

とりあえずまだ形容されてないっぽい形態素の一個前に「クソデカ」と付ける関数ができました。動詞と名詞の区別すらつけてませんが、これでとりあえずやってみましょう。

入力
広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げた、大きな円柱に、蟋蟀が一匹とまっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう二三人はありそうなものである。それが、この男のほかには誰もいない。

出力
兆単位で広い門の下には、このクソデカ男のほかに誰もいない。ただ、クソデカ所々丹塗の剥げまくった、大きなクソデカ円柱に、クソデカ蟋蟀が千匹とまりまくっている。クソデカ羅生門が、クソデカ朱雀大路にクソデカある以上は、このクソデカ男のほかにも、クソデカ雨やみをクソデカする市女笠やクソデカ揉烏帽子が、もう二三千人はありそうなものである。それが、このクソデカ男のほかには誰もいない。
う～～～～～～～～～～～～ん
いけるか…？いやでもなぁ、う～～～～ん
まだ判断しづらいですし、ちょっと改修します

def deco(text):
    nodes_s = t.parseToNode(text)
    output = ""
    count = 0
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        count += 1
        if count > 1:
            if nodes_s.prev.feature.split(",")[0] in ["連体詞"] or nodes_s.prev.feature.split(",")[1] in ["格助詞", "句点", "読点", "並立助詞"]:
                if nodes_a[:2] in [["名詞", "一般"], ["名詞", "固有名詞"]]:
                    output += "クソデカ"
                elif nodes_a[:2] in [["動詞", "自立"]]:
                    output += "メチャクチャ"
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

動詞なら「メチャクチャ」、名詞なら「クソデカ」が付くようにしました
これでちょっとわかりやすくなったんじゃないでしょうか

入力
広い門の下には、この男のほかに誰もいない。ただ、所々丹塗の剥げた、大きな円柱に、蟋蟀が一匹とまっている。羅生門が、朱雀大路にある以上は、この男のほかにも、雨やみをする市女笠や揉烏帽子が、もう二三人はありそうなものである。それが、この男のほかには誰もいない。

出力
兆単位で広い門の下には、このクソデカ男のほかに誰もいない。ただ、クソデカ所々丹塗の剥げまくった、大きなクソデカ円柱に、クソデカ蟋蟀が千匹とまりまくっている。クソデカ羅生門が、クソデカ朱雀大路にメチャクチャある以上は、このクソデカ男のほかにも、クソデカ雨やみをメチャクチャする市女笠やクソデカ揉烏帽子が、もう二三千人はありそうなものである。それが、このクソデカ男のほかには誰もいない。

良さげ

とりあえず語彙を増やしてみる

クソデ化詞の豊富さがクソデカ羅生門の魅力の一つです。クソデ化詞は大雑把に分類すると、「名詞につくもの」（デカい・巨大な）と「動詞につくもの」（馬鹿みたいに・メチャクチャ）と「形容詞につくもの」（超・クソ）の3種類です。「形容詞につく物」はクソデ化詞に付く場合もあるのでちょっと特殊なポジションですね。機械的に生成するのも可能な気がしますがめんどくさいので人力で生成しました。

• 名詞につくものリスト： ["デカい","大","激・","巨大","象くらいある","ヤバい","ビッグ","とんでもない","ものすごい","世界最強の"]（ここで力尽きました）
• 動詞につくものリスト： ["メチャメチャ","馬鹿みたいに","マジで","気持ち悪いくらい"]（ここで力尽き略
• 形容詞につくものリスト ["超","メチャメチャ","馬鹿みたいに","マジで","クソ","めちゃくちゃ","ガチで","えげつない","人類史に残るほどに"]（ここで略

メッチャ適当にやったせいで語彙力が貧弱になってしまいました……まぁいいです、これでやってみましょう
とりあえず名詞と動詞をクソデ化します

def deco(text):
    nodes_s = t.parseToNode(text)
    output = ""
    count = 0
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        count += 1
        if count > 1:
            if nodes_s.prev.feature.split(",")[0] in ["連体詞"] or nodes_s.prev.feature.split(",")[1] in ["格助詞", "句点", "読点", "並立助詞"]:
                random.seed(nodes_s.prev.surface + nodes_s.surface + nodes_s.next.surface) #雑に前後を参照してシード決定
                if nodes_a[:2] in [["名詞", "一般"], ["名詞", "固有名詞"]]:
                    output += random.choice(["デカい","大","激・","巨大","象くらいある","ヤバい","ビッグ","とんでもない","ものすごい","世界最強の"])
                elif nodes_a[:2] in [["動詞", "自立"]]:
                    output += random.choice(["メチャメチャ","馬鹿みたいに", "マジで", "気持ち悪いくらい"])
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

あ、あと関数の順番をちょっと変えました

print("\n出力：\n" + makuring(deco(embod(incr(inp)))))

入力
作者はさっき、「下人が雨やみを待っていた」と書いた。しかし、下人は雨がやんでも、格別どうしようと云う当てはない。ふだんなら、勿論、主人の家へ帰る可き筈である。所がその主人からは、四五日前に暇を出された。前にも書いたように、当時京都の町は一通りならず衰微していた。今この下人が、永年、使われていた主人から、暇を出されたのも、実はこの衰微の小さな余波にほかならない。だから「下人が雨やみを待っていた」と云うよりも「雨にふりこめられた下人が、行き所がなくて、途方にくれていた」と云う方が、適当である。その上、今日の空模様も少からず、この平安朝の下人の

出力
作者はさっき、「下人が大雨やみをマジで待ちまくっていた」とマジで書きまくった。しかし、デカい下人は雨がマジでやんでも、格別どうしようとメチャメチャ云う当てはない。ふだんなら、勿論、ものすごい主人の家へ馬鹿みたいに帰りまくる可き筈である。所がそのヤバい主人からは、四五千日前にとんでもない暇を馬鹿みたいに出しまくられた。前にも書きまくったように、当時京都の町は千通りならず衰微していた。今このビッグ下人が、永年、メチャメチャ使いまくられていた主人から、ヤバい暇を馬鹿みたいに出しまくられたのも、実はこの衰微の小さなものすごい余波にメチャメチャほかならない。だから「下人が大雨やみをマジで待ちまくっていた」とメチャメチャ云うよりも「雨にメチャメチャふりこめまくられた下人が、気持ち悪いくらい行き所がなくて、兆単位で巨大途方にマジでくれまくっていた」と馬鹿みたいに云う方が、適当である。その上、今日の空模様も少からず、この兆単位で巨大平安朝の下人の

う～～～～ん
まぁいいか（いいのか？）

マジでない

クソデカ羅生門は基本的に「ない」を「マジでない」にします。Falseというそれ以上強めようのない言葉を「確実性」という観点からデカくしてるんですね、さすがだ

def deco(text):
    nodes_s = t.parseToNode(text)
    output = ""
    count = 0
    while nodes_s:
        nodes_a = nodes_s.feature.split(",")
        count += 1
        if count > 1:
            if nodes_s.prev.feature.split(",")[0] in ["連体詞"] or nodes_s.prev.feature.split(",")[1] in ["格助詞", "句点", "読点", "並立助詞"]:
                random.seed(nodes_s.prev.surface + nodes_s.surface) #雑に前を参照してシード決定(エラーが出たのでprevだけ参照するように)
                if nodes_a[:2] in [["名詞", "一般"], ["名詞", "固有名詞"]]:
                    output += random.choice(["デカい","大","激・","巨大","象くらいある","ヤバい","ビッグ","とんでもない","ものすごい","世界最強の"])
                elif nodes_a[:2] in [["動詞", "自立"]]:
                    output += random.choice(["メチャメチャ","馬鹿みたいに", "マジで", "気持ち悪いくらい"])
        if nodes_a[0] == "形容詞" and nodes_a[6] == "ない":
            output += "マジで"
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output

入力
作者はさっき、「下人が雨やみを待っていた」と書いた。しかし、下人は雨がやんでも、格別どうしようと云う当てはない。ふだんなら、勿論、主人の家へ帰る可き筈である。所がその主人からは、四五日前に暇を出された。前にも書いたように、当時京都の町は一通りならず衰微していた。今この下人が、永年、使われていた主人から、暇を出されたのも、実はこの衰微の小さな余波にほかならない。だから「下人が雨やみを待っていた」と云うよりも「雨にふりこめられた下人が、行き所がなくて、途方にくれていた」と云う方が、適当である。その上、今日の空模様も少からず、この平安朝の下人の Sentimentalisme に影響した。申の刻下りからふり出した雨は、いまだに上るけしきがない。そこで、下人は、何をおいても 差当り明日の暮しをどうにかしようとして――云わばどうにもならない事を、どうにかしようとして、とりとめもない考えをたどりながら、さっきから朱雀大路にふる雨の音を、聞くともなく聞いていたのである。

出力（シード周りを弄ったのでさっきと生成される乱数が変わってます）
作者はさっき、「下人がものすごい雨やみをメチャメチャ待ちまくっていた」と気持ち悪いくらい書きまくった。しかし、ものすごい下人は雨が馬鹿みたいにやみまくっても、格別どうしようと気持ち悪いくらい云う当てはない。ふだんなら、勿論、巨大主人の家へマジで帰りまくる可き筈である。所がその激・主人からは、四五千日前にものすごい暇をメチャメチャ出しまくられた。前にも書きまくったように、当時京都の町は千通りならず衰微していた。今この世界最強の下人が、永年、馬鹿みたいに使いまくられていた主人から、ものすごい暇をメチャメチャ出しまくられたのも、実はこの衰微の小さなとんでもない余波にメチャメチャほかならない。だから「下人がものすごい雨やみをメチャメチャ待ちまくっていた」と気持ち悪いくらい云うよりも「雨にメチャメチャふりこめまくられた下人が、マジで行き所がマジでなくて、デカい途方にメチャメチャくれまくっていた」と気持ち悪いくらい云う方が、適当である。その上、今日の空模様も少からず、このとんでもない平安朝の下人のSentimentalismeに影響した。とんでもない申の刻下りからマジでふりまくり出した雨は、いまだに上りまくるけしきがマジでない。そこで、ものすごい下人は、何を気持ち悪いくらいおきまくっても差当り明日の暮しをどうにかしようとして――云わばどうにもならない事を、どうにかしようとして、気持ち悪いくらいとりとめまくりもマジでない考えを気持ち悪いくらいたどりまくりながら、さっきからビッグ朱雀大路にメチャメチャふりまくる雨の音を、馬鹿みたいに聞きまくるともマジでなく聞きまくっていたのである。

理解不能だけどまぁ…

形容詞をクソデ化

ちょっと辛くなってきたのでこれで終わりにしたい
obiv関数を作って形容詞のクソデ化を行います。クソデ化詞はさっき載せたリストを使用し、関数を二重がけすることでクソデ化に厚みを持たせます。（冗長にならないようクソデ化率を50%くらいにしましょう）

def obiv(text):
    nodes_s = t.parseToNode(text)
    output = ""
    count = 0
    while nodes_s:
        count += 0
        nodes_a = nodes_s.feature.split(",")
        if nodes_a[0] == "形容詞":
            random.seed(nodes_s.surface + str(count))
            if random.random() < 0.5:
                output += random.choice(["超","メチャメチャ","馬鹿みたいに","マジで","クソ","めちゃくちゃ","ガチで","えげつない","人類史に残るほどに"])
        output += nodes_s.surface
        nodes_s = nodes_s.next
    return output
print("\n出力：\n" + obiv(obiv(makuring(deco(embod(incr(inp)))))))

入力
作者はさっき、「下人が雨やみを待っていた」と書いた。しかし、下人は雨がやんでも、格別どうしようと云う当てはない。ふだんなら、勿論、主人の家へ帰る可き筈である。所がその主人からは、四五日前に暇を出された。前にも書いたように、当時京都の町は一通りならず衰微していた。今この下人が、永年、使われていた主人から、暇を出されたのも、実はこの衰微の小さな余波にほかならない。だから「下人が雨やみを待っていた」と云うよりも「雨にふりこめられた下人が、行き所がなくて、途方にくれていた」と云う方が、適当である。その上、今日の空模様も少からず、この平安朝の下人の Sentimentalisme に影響した。申の刻下りからふり出した雨は、いまだに上るけしきがない。そこで、下人は、何をおいても 差当り明日の暮しをどうにかしようとして――云わばどうにもならない事を、どうにかしようとして、とりとめもない考えをたどりながら、さっきから朱雀大路にふる雨の音を、聞くともなく聞いていたのである。

出力
作者はさっき、「下人がものすごい雨やみをメチャメチャ待ちまくっていた」と気持ち悪いくらい書きまくった。しかし、ものすごい下人は雨が馬鹿みたいにやみまくっても、格別どうしようと気持ち悪いくらい云う当てはない。ふだんなら、勿論、巨大主人の家へマジで帰りまくる可き筈である。所がその激・主人からは、四五千日前にものすごい暇をメチャメチャ出しまくられた。前にも書きまくったように、当時京都の町は千通りならず衰微していた。今この世界最強の下人が、永年、馬鹿みたいに使いまくられていた主人から、ものすごい暇をメチャメチャ出しまくられたのも、実はこの衰微の小さなとんでもない余波にメチャメチャほかならない。だから「下人がものすごい雨やみをメチャメチャ待ちまくっていた」と気持ち悪いくらい云うよりも「雨にメチャメチャふりこめまくられた下人が、マジで行き所がマジでなくて、デカい途方にメチャメチャくれまくっていた」と気持ち悪いくらい云う方が、適当である。その上、今日の空模様もマジでマジで少からず、このとんでもない平安朝の下人のSentimentalismeに影響した。とんでもない申の刻下りからマジでふりまくり出した雨は、いまだに上りまくるけしきがマジでない。そこで、ものすごい下人は 、何を気持ち悪いくらいおきまくっても差当り明日の暮しをどうにかしようとして――云わばどうにもならない事を、どうにかしようとして、気持ち悪いくらいとりとめまくりもマジでない考えを気持ち悪いくらいたどりまくりながら、さっきからビッグ朱雀大路にメチャメチャふりまくる雨の音を、馬鹿みたいに聞きまくるともマジでなく聞きまくっていたのである。
もう終わりにしていいですか、若干辛くなってきた

感想

あんまり高精度なクソデ化ができませんでした………Cabochaを使えればもうちょっと高度なのができたと思うんですが色々面倒でして……いつかインストールに成功したら再チャレンジしたいです、もうちょっと「対象によって変わるクソデ化詞」が欲しかったね（例：「亜音速で」）

参考

https://web.archive.org/web/20171212152621/http://adsmedia.hatenablog.com/entry/2016/10/20/002211
https://qiita.com/pocket_kyoto/items/1e5d464b693a8b44eda5
https://qiita.com/matsuatsu/items/fc696741a994f011f91e

---

1. 「クソデカ」は2つで1セットみたいなところありますが、「デカ羅生門」でも意味は通じますし、それに更に「バカ」を足すことで「バカデカ羅生門」とかも作れるので、分離したそれと考えました。 ↩

概要

皆様，こんにちは．
私事で恐縮ですが，最近は忙しく論文執筆に追われておりました．
忙しい時に限って何かとトラブルが起こるものです．今回はそんなトラブル対処の備忘録です．

ようやくタスクもひと段落したので，記事としてまとめておきます．
備忘録，メモ的な内容ですので，お気軽に見ていただければと思います．

トラブル内容

パッケージがconda環境に入らなかった．以下詳細．

conda環境にパッケージを追加したい．なのでactivateして，

(base) source activate hogehoge
(hogehoge) conda install hogehoge

しかしcondaのレポジトリにないといわれる．

PackagesNotFoundError: The following packages are not available from current channels:

なので，しぶしぶpipでインストールすることに．

(hogehoge) sudo pip install hogehoge

しかしなぜかconda環境にパッケージが入らない．

解決法

スーパーユーザ権限で実行してたのが原因．
base環境にぶち込まれてしまう．
なので純粋に，

(hogehoge) pip install hogehoge

でよい．

スーパーユーザ権限を無心で乱用していたことに対する報いである．
大変しょうもないミスであるが，今後はきちんとコマンド一つにとり何を意味しているかを意識したい．

はやく実験しようと焦ると，linuxの基本やコードの記法もおろそかになってくるので，
日頃の自習をしっかりとして，いろんな状況でも対応できるようにしたい．

終わりです．ご覧いただきありがとうございました．

1.はじめに

　前回の「StyleGAN2の潜在空間に、新垣結衣は住んでいるのか？」 では、学習済みStyleGAN2モデルは学習に使っていない新規画像についても、高い画像生成能力を持っていることが分かりました。

　今回は、学習済みStyleGAN2モデルを使って、学習に使っていない新規画像をどの程度画像編集できるかを見て行きたいと思います。

　コードは Google Colab を使って作成し、Github に上げてありますので、良かったら動かしてみて下さい。

＊このブログで使用している画像は全てStyleGAN2の学習には使用していない新規画像です(前回ご紹介した方法で作成しています)。

2.Style Mixing とは？

　StyleGANは、今までのGANの様に１個の潜在変数から画像生成するのではなく、Mapping network を使って18個の潜在変数w(これをstyleと呼びます)から画像生成しています。この特徴を生かすと Style Mixing と呼ばれる編集が可能になります。

　18個の潜在変数w0〜w17は、9段階の解像度のレイヤ (4×4, 8×8, 16×16, 32×32, 64×64, 128×128, 256×256, 512×512, 1024×1024)に各2個づつ接続されています。

　解像度によって潜在変数が画像生成に影響する内容は異なり、低解像度では顔の向き、顔の形、髪型など大局的なものに影響し、解像度が上がるに従って、目・口など細部のものに影響します。

　ここで、画像Aと画像Bの潜在変数wのある部分だけ入れ替えることによって2つの画像の特徴を混ぜ合わせることが出来、これをStyle Miximgと呼んでいます。

3.顔の向き

　この画像は、青枠のRow_picの潜在変数 w0, w1 を赤枠の Col_pic のものに入れ替えた結果を表しています。w0, w1 は主に顔の向きやメガネの有無くらいにしか影響を与えないので、顔の向きだけを独立して変えることができます。

＊実際は、そのまま置き換えると効きが弱かったので、Col_pic の w0, w1 を1.4倍して、Row_pic と入れ替えています。
　

4.笑い

　この画像は、Row pic の w4, w5 をCol_picに入れ替えたものです。笑いのポイントである口の形に影響を与えるのは主に w4, w5 です。口の開け方が割とそのまま移動している感じですので、笑い方のニュアンスも編集できそうです。

5.メガネ

　この画像は、Row_picの w0, w1, w2 をCol_picに入れ替えたものです。メガネに影響与えるのは主にw0, w1, w2 です。顔の向きと被ってしまうので、顔の向きも同時に変わります。　

　興味深いのは、メガネの形がそのまま移動するのではなく、Row_pic が個別に持つメガネの属性があるようです。従って、意図した形のメガネを掛けさせることは難しいです。

6.若さ

　この画像は、Row_picの w4, w5, w6, w7 をCol_picに入れ替えたものです。顔の形や髪型が影響するw2, w3はそのままにして、口の形に影響するw4, w5 と目の形に影響する w6, w7だけを入れ替えています。目と口の形を変えると、結構幼さが出ます。

＊実際は、そのまま置き換えると効きが強すぎたので、w4, w5, w6, w7 について、Row_pic : Col_pic＝2:8でミックスして、Row_picに入れています。

7.歳を重ねる

　先程同様、顔の形や髪型が影響するw2, w3はそのままにして、口の形や目の形に影響する w4, w5, w6, w7 だけを入れ替えています。目と口の形を変えるだけでも、少し歳をとった様に見えます。

＊実際は、そのまま置き換えると効きが強すぎたので、w4, w5, w6, w7 について、Row_pic : Col_pic＝4:6でミックスして、Row_picに入れています。

8.男性化

　これはおまけです。同じく、w4, w5, w6, w7だけを入れ替えていますが、結果はイマイチですね（笑）。

9.まとめ

　これは、顔画像の要素と関係する主な潜在変数wをの関係を大まかにまとめたものです。w8以上はコントラストや色などへの影響に留まり、直接顔の形には影響しないようです。

　学習済みStyleGAN2モデルは新規画像についても、高い画像編集能力を秘めているように思います。

（参考）
StyleGANを遊び尽くせ!! ~追加学習不要の画像編集~
　

1.はじめに

　前回の「StyleGAN2の潜在空間に、新垣結衣は住んでいるのか？」 では、StyleGAN2は学習に使っていない新規画像についても、高い画像生成能力を持っていることが分かりました。

　今回は、StyleGAN2が持っている Style Mixing と呼ばれる画像編集機能を使って、学習に使っていない新規画像のみでどのくらい画像編集能力があるかを見て行きたいと思います。

　コードは Google Colab を使って作成し、Github に上げてありますので、良かったら動かしてみて下さい。

*このブログで使用している画像は全てStyleGAN2の学習には使用していない新規画像です(前回ご紹介した方法で作成しています)。

2.Style Mixing とは？

　StyleGANは、今までのGANの様に１個の潜在変数から画像生成するのではなく、Mapping network を使って18個の潜在変数w(これをstyleと呼びます)から画像生成しています。

　18個の潜在変数w0〜w17は、9段階の解像度のレイヤ (4×4, 8×8, 16×16, 32×32, 64×64, 128×128, 256×256, 512×512, 1024×1024)に各2個づつ接続されています。

　解像度によって潜在変数が画像生成に影響する内容は異なり、低解像度では顔の向き、顔の形、髪型など大局的なものに影響し、解像度が上がるに従って、目・口など細部のものに影響します。

　ここで、画像Aと画像Bの潜在変数wのある部分だけ入れ替えることによって2つの画像の特徴を混ぜ合わせることが出来、これをStyle Miximgと呼んでいます。

3.顔の向き

　この画像は、青枠のRow_picの潜在変数 w0, w1 を赤枠の Col_pic のものに入れ替えた結果を表しています。w0, w1 は主に顔の向きやメガネの有無くらいにしか影響を与えないので、顔の向きだけを独立して変えることができます。

＊実際は、そのまま置き換えると効きが弱かったので、Col_pic の w0, w1 を1.4倍して、Row_pic と入れ替えています。
　

4.笑い

　この画像は、Row pic の w4, w5 をCol_picに入れ替えたものです。笑いのポイントである口の形に影響を与えるのは主に w4, w5 です。口の開け方が割とそのまま移動している感じですので、笑い方のニュアンスも編集できそうです。

5.メガネ

　この画像は、Row_picの w0, w1, w2 をCol_picに入れ替えたものです。メガネに影響与えるのは主にw0, w1, w2 です。顔の向きと被ってしまうので、顔の向きも同時に変わります。　

　興味深いのは、メガネの形がそのまま移動するのではなく、Row_pic が個別に持つメガネの属性があるようです。従って、意図した形のメガネを掛けさせることは難しいです。

6.若さ

　この画像は、Row_picの w4, w5, w6, w7 をCol_picに入れ替えたものです。顔の形や髪型が影響するw2, w3はそのままにして、口の形に影響するw4, w5 と目の形に影響する w6, w7だけを入れ替えています。目と口の形を変えると、結構幼さが出ます。

＊実際は、そのまま置き換えると効きが強すぎたので、w4, w5, w6, w7 について、Row_pic : Col_pic＝2:8でミックスして、Row_picに入れています。

7.歳を重ねる

　先程同様、顔の形や髪型が影響するw2, w3はそのままにして、口の形や目の形に影響する w4, w5, w6, w7 だけを入れ替えています。目と口の形を変えるだけでも、少し歳をとった様に見えます。

＊実際は、そのまま置き換えると効きが強すぎたので、w4, w5, w6, w7 について、Row_pic : Col_pic＝4:6でミックスして、Row_picに入れています。

8.男性化

　これはおまけです。同じく、w4, w5, w6, w7だけを入れ替えていますが、結果はイマイチですね（笑）。

9.まとめ

　これは、顔画像の要素と関係する主な潜在変数wをの関係を大まかにまとめたものです。w8以上はコントラストや色などへの影響に留まり、直接顔の形には影響しないようです。

　StyleGAN2は新規画像についても、結構画像編集能力を秘めているように思います。

　

はじめに

<バージョン>
ansible 2.9.1

templateモジュールを使っていると、独自関数を作って呼び出したい場面が出てくると思います。
jinja2にはmacroという機能があり、独自関数を書いたファイルを他のj2ファイルから呼び出して
使えるようですが、templateモジュールでも使えるのか実際にやってみます。

参考ファイル

（1）Playbook

template_sample.j2

---
- name: template TEST
  hosts: localhost
  gather_facts: no
  vars:
    ansible_python_interpreter: /usr/bin/python3
  tasks:
    - name: 'template'
      template:
        src: base.j2        # macroを呼び出す元となるplaybook
        dest: result.txt

（2）j2ファイル（base.j2：呼び出し元となるファイル）
1行目：このj2ファイルと同じディレクトリに入っている、macro.j2内にあるmacroを読み込む
2行目：macro.j2内にあるtest1という独自関数に変数を引き渡す
3行目：macro.j2内にあるtest2という独自関数に変数を引き渡す

base.j2

{% import "macro.j2" as macro %}
{{ macro.test1("Taro", "Tokyo") }}
{{ macro.test2("Hanako", "tennis") }}

（3）j2ファイル（macro.j2：独自関数が書かれたファイル）
関数の書き始めは「macro 関数名(変数1, 変数2,…)」として、
最後に「endmacro」で閉じましょう

macro.j2

{% macro test1(var1, var2)%}
My name is {{ var1 }}
I live in {{ var2 }}
{% endmacro %}

{% macro test2(var1, var2)%}
My name is {{ var1 }}
I like {{ var2 }}
{% endmacro %}

実行結果

想定通り実行することが出来ました。
同じような記述は、macroファイルに切り出してスマートなtemplateを作りましょう。

result.txt

My name is Taro
I live in Tokyo

My name is Hanako
I like tennis

関連記事

【Ansible×NW自動化】templateモジュールでNW機器の設定を作りたい

やりたかったこと

• 選択したlist_filterを一括クリアするボタンをlist_filterタイトル横に配置したい

方法

• Templateの「Change_list.html」をオーバーライドする

• app構成

C:Project Name
│  db.sqlite3
│  manage.py
│  
├─.idea
│      
├─Project Name
│  │  authentication.py
│  │  settings.py
│  │  urls.py
│  │  utils.py
│  │  wsgi.py
│  │  __init__.py
│  │  
│  ├─locate
│  └─__pycache__
│          
├─App Name
│  │  admin.py
│  │  apps.py
│  │  context_processors.py
│  │  forms.py
│  │  models.py
│  │  tests.py
│  │  urls.py
│  │  views.py
│  │  __init__.py
│  │  
│  ├─locate
│  ├─migrations
│  │  └─__pycache__
│  ├─templatetags
│  │  │  mytag.py
│  │  │  
│  │  └─__pycache__
│  │          mytag.cpython-37.pyc
│  │          
│  └─__pycache__
│          
├─templates
  │  __init__.py
  │  
  └─admin
      │  base_site.html
      │  index.html
      │  __init__.py
      │  
      └─App Name
          │  change_form_help_text.html
          │  change_list.html          ←このファイルを追加
          │  __init__.py
          │  
          ├─model name1
          │      change_form.html
          │      __init__.py
          │      
          └─model name2
                  change_form.html
                  __init__.py

• Change_list.html

以下のようにオーバーライドする

Change_list.html

{% extends 'admin/change_list.html' %}
{% load admin_list %}
{% search_form cl %}
{% load i18n %}
{{ block.super }}

  {% block filters %}
    {% if cl.has_filters %}
      <div id="changelist-filter">
          <h2>{% trans 'Filter' %} <button id="clear" onclick="location.href=location.href.replace(/\#.*$/, '').replace(/\?.*$/, '');">clear</button></h2>
        {% if cl.has_active_filters %}<h3 id="changelist-filter-clear">
          <a href="{{ cl.clear_all_filters_qs }}">&#10006; {% trans "Clear all filters" %}</a>
        </h3>{% endif %}
        {% for spec in cl.filter_specs %}{% admin_list_filter cl spec %}{% endfor %}
      </div>
    {% endif %}
  {% endblock %}

結果

• list_filterの解除自体は、追加したボタンをクリックした際に、現在のurlから検索クエリを抜いたurlを再設定することで実現した

• Templateのオーバーライドの方法がわかれば、adminサイトを少し改造するのに便利

やりたかったこと

• 選択したlist_filterを一括クリアするボタンをlist_filterタイトル横に配置したい

方法

• Templateの「Change_list.html」をオーバーライドする

• app構成

C:Project Name
│  db.sqlite3
│  manage.py
│  
├─.idea
│      
├─Project Name
│  │  authentication.py
│  │  settings.py
│  │  urls.py
│  │  utils.py
│  │  wsgi.py
│  │  __init__.py
│  │  
│  ├─locate
│  └─__pycache__
│          
├─App Name
│  │  admin.py
│  │  apps.py
│  │  context_processors.py
│  │  forms.py
│  │  models.py
│  │  tests.py
│  │  urls.py
│  │  views.py
│  │  __init__.py
│  │  
│  ├─locate
│  ├─migrations
│  │  └─__pycache__
│  ├─templatetags
│  │  │  mytag.py
│  │  │  
│  │  └─__pycache__
│  │          mytag.cpython-37.pyc
│  │          
│  └─__pycache__
│          
├─templates
  │  __init__.py
  │  
  └─admin
      │  base_site.html
      │  index.html
      │  __init__.py
      │  
      └─App Name
          │  change_form_help_text.html
          │  change_list.html          ←このファイルを追加
          │  __init__.py
          │  
          ├─model name1
          │      change_form.html
          │      __init__.py
          │      
          └─model name2
                  change_form.html
                  __init__.py

• Change_list.html

以下のようにオーバーライドする

Change_list.html

{% extends 'admin/change_list.html' %}
{% load admin_list %}
{% search_form cl %}
{% load i18n %}
{{ block.super }}

  {% block filters %}
    {% if cl.has_filters %}
      <div id="changelist-filter">
          <h2>{% trans 'Filter' %} <button id="clear" onclick="location.href=location.href.replace(/\#.*$/, '').replace(/\?.*$/, '');">clear</button></h2>
        {% if cl.has_active_filters %}<h3 id="changelist-filter-clear">
          <a href="{{ cl.clear_all_filters_qs }}">&#10006; {% trans "Clear all filters" %}</a>
        </h3>{% endif %}
        {% for spec in cl.filter_specs %}{% admin_list_filter cl spec %}{% endfor %}
      </div>
    {% endif %}
  {% endblock %}

結果

• list_filterの解除自体は、追加したボタンをクリックした際に、現在のurlから検索クエリを抜いたurlを再設定することで実現した

• Templateのオーバーライドの方法がわかれば、adminサイトを少し改造するのに便利

感想

1日さぼってしまいましたが、モチベーションを保って今月中は続けたいと思います。
この精進日記の間に水色や青色の問題を安定させて青コーダーになれればと思います。
また、卒研の勉強もしなければいけないので頑張りたいです。
読みやすい量がどれくらいかわからないので手探りですが、三日に一回更新できればと思います。

11日目

ABC132-E Hopscotch Addict

かかった時間

30分程度

考察

重みのない最短距離を求めるのでBFSを使って考えます。まず、けんけんぱを三連続した時にたどり着く先を新たな辺として更新する方法を考えましたが、それぞれの頂点から伸びる辺を順に考えると明らかに間に合わないかつ無駄な計算が多いので却下しました。

ここで、目的地にたどり着けると仮定する(高々$M$回の移動)と、それを3回繰り返せば3の倍数になるので、結局は高々$3 \times M$回程度の移動になることに気づきました。また、前述のように目的地にたどり着いた時に3の倍数の距離でたどり着くと言い換えることができれば、その目的地にたどり着く距離を三で割った三つの状態それぞれでの最短距離を考えれば良いとわかります。

したがって、それぞれの頂点が状態を持つ拡張ダイクストラ法と同様にそれぞれの頂点が三つの状態を持つ拡張BFSを考えれば、通常のBFSと同様に最短距離を保存する配列($score[i][j]:=i$番目の頂点への最短距離を三で割った余りが$j$となるような移動の中での最短距離)を用意してその配列でinfとなる場合のみ更新することを行えれば$O(M+N)$で実装することが可能です。

Pythonのコード

abc132e.py

import sys
sys.setrecursionlimit(10**6)
from collections import deque
n,m=map(int,input().split())
edges=[[] for i in range(n)]
for i in range(m):
    u,v=map(int,input().split())
    edges[u-1].append(v-1)
s,t=map(int,input().split())
inf=100000000000
score=[[inf]*3 for i in range(n)]
now=deque()
now.append(s-1)
score[s-1][0]=0
def bfs(dep,l):
    global n,m,edges,s,t,score,inf,now
    f=False
    for i in range(l):
        ne=now.popleft()
        for j in edges[ne]:
            if score[j][dep%3]==inf:
                score[j][dep%3]=dep
                now.append(j)
    l_ne=len(now)
    if l_ne:bfs(dep+1,l_ne)
bfs(1,1)
if score[t-1][0]!=inf:
    print(score[t-1][0]//3)
else:
    print(-1)

12日目

コンテスト中に通せなかったABC173-Eを解きました。
こちらの記事にまとめてあります。

13日目

時間の使い方が下手でした。猛省してます。

14日目

ABC135-D Digits Parade

かかった時間

25分

考察

猛省したので早めにdiffの低めの問題をACしました。
この前に類題を解いた気がしますが、しっかりそこそこの時間でACできたのでよかったです。ただ、一度REを出したのでそこは反省しています。

まず、DPと気付けるかが最大のポイントです。文字列であり?の部分の処理が難しいこと、?の部分は候補が増える($\leftrightarrow$遷移の仕方が増える)と捉えられること、その文字列で表される数字の余りは桁を一つずつ決めれば決まることを総合して考えれば、桁ごとの状態を考えるDPを発送するのは難しくないと思います。

ここで、$i$桁まで見たときの与えられた整数(を表す文字列)の状態を考えますが、ここでは余りを考えて$dp[i][j]:=i$桁目まで見た時に13で割ったあまりが$j$となる数が何通りあるかとすれば良いです。

すると、DPの遷移については以下の二つの場合を考えれば良いです($p[i]$は$10^i$を13で割った余りを前計算したものとします。)。

①$i$桁目が$k(0 \leqq k \leqq 9)$の時
$dp[i][j]$の遷移する先は、$dp[i+1][(j+k*p[i])%13]$となります。

②$i$桁目が?の時
①のパターンの$l$を0から9まで全て行えば良いです。

また、$p[i]$はDPを行うループ中で求めようとしたのですが、最大で$10^{10^5-1}$を求める必要があるのでその余だけを先に計算しておくようにしました。

以上を実装して以下のコードになります。

Pythonのコード

abc130e.py

mod=10**9+7
s=input()[::-1]
l=len(s)
dp=[[0]*13 for i in range(l+1)]
dp[0][0]=1
#累乗が大きすぎるので前計算
p=[0]*l
p[0]=1
for i in range(l-1):
    p[i+1]=(p[i]*10)%13
for i in range(l):
    s_sub=s[i]
    if s_sub=="?":
        for j in range(13):
            for k in range(10):
                dp[i+1][(j+k*p[i])%13]+=dp[i][j]
                dp[i+1][(j+k*p[i])%13]%=mod
    else:
        k=int(s_sub)
        for j in range(13):
            dp[i+1][(j+k*p[i])%13]+=dp[i][j]
            dp[i+1][(j+k*p[i])%13]%=mod
print(dp[l][5])

CNN（Convolutional Neural Network）を理解しとかんと次に進めん

今、フルーツ７種の判別をやっているのですが、CNN使って分類してはい終わり的な感じ（精度向上はやりました）でなんか物足りませんでした。
なのでCNNってなんぞやから理解していきます。

CNNってなんぞや

CNN（Convolutional Neural Network）は一般的な順伝播型のニューラルネットワークとは違い、全結合層だけでなく畳み込み層(Convolution Layer)とプーリング層(Pooling Layer)から構成されるニューラルネットワークのこと。

う〜ん、わからん。一般的な順伝播型のニューラルネットワークってなんぞや
調べたらめっちゃわかりやすいのがあった。
深層学習を読んでいったときのメモ　(1. 順伝播型ネットワーク)

畳み込み層とプーリング層では下図のように入力のニューロンの一部の領域を絞って、局所的に次の層へと対応付けをしていく。各層はフィルタと呼ばれる検出器をいくつも持っているイメージだ。

画像認識の例でいうと、最初の層でエッジを検出して、次の層でテクスチャを検出し、さらに次のそうではより抽象的な特徴を検出したりする。CNNはこういった特徴を抽出するための検出器であるフィルタのパラメータを自動で学習していく。

CNNの実用例

・Facebook　タグ付けの顔検出
・Google　写真検索や音声認識

CNNの特徴

CNNには注目に値すべき点が3つある。畳み込み（Convolution）と位置不変性 (Translation Invariance) と 合成性 (Compositionality)である。

畳み込みとは

畳み込み（convolution）とは、画像処理でよく利用される手法で、カーネル（またはフィルター）と呼ばれる格子状の数値データと、カーネルと同サイズの部分画像（ウィンドウと呼ぶ）の数値データについて、要素ごとの積の和を計算することで、1つの数値に変換する処理のことである。この変換処理を、ウィンドウを少しずつずらして（ストライド）処理を行うことで、小さい格子状の数値データに変換する。このようにしてフィルタをスライドさせていくことからsliding windowと呼ばれることもある。

引用：Standford wiki / Convolution schematic.gif

こうして計算されたデータは特徴マップと呼ばれる。

合成性

CNNはそれぞれの構成要素を理解すると、パズルのように組み合わせてつくることができるようになる。

各層は次の層へと意味のあるデータを順に受渡していく。層が進むにつれて、ネットワークはより高レベルな特徴を学習していける。

フルーツ判別を例にとると、最初の層では色や形を検出し、次の層でそれらを組み合わせてノイズを検出し、より深くなるにつれてフルーツの特徴、さらには品種まで検出できるようになっているかもしれない。

移動不変性

前述の畳み込みの例で見たとおり、局所領域からフィルタを通して検出していくので物体の位置のズレに頑健になる。

つまり、特徴を検知する対象が入力データのどこにあっても検知することができる。これを移動不変性という。

回転や拡大・縮小に対する不変性に関しては、データ拡張でそういったデータを増やして学習するなど工夫が必要だ。

CNNの構成要素

CNNは層と活性化関数といくつかのパラメータの組み合わせで出来上がっている。

ゼロパディング

ゼロパディングとは、入力の特徴マップの周辺を0で埋めることです。パディングは余白という意味で、こうすることで以下のようなメリットがあります。

・端のデータに対する畳み込み回数が増えるので端の特徴も考慮されるようになる
・畳み込み演算の回数が増えるのでパラメーターの更新が多く実行される
・カーネルのサイズや、層の数を調整できる
・Convolution層とPooling層で出力サイズは次第に小さくなるので、ゼロパディングでサイズを増やしたりすると層の数を増やすことができる。

ストライド

ストライドとは直訳すると歩幅。
今まではフィルタを１ピクセル間隔でかけていきました＝ストライドが１。
２ピクセル間隔でかけていけば、ストライドが２になります。

Fully Connected層

CNNの一番最後の画像判別のところの層です。

これまでやってきた「畳み込み層」も「プーリング層」も基本は，入力画像の配列の形態のままです。入力画像を分類するためには，どこがで画像の形態から，１次元出力ができる形態に変換する必要があります。

CNNでは，畳み込みと，プーリングがいくつか終わった後に、画像データを列ベクトルにフラット化します。フラットになれば、隠れ層・出力層に引き継ぐことができます。

Fully Connected層は1次元のベクトルを入力値として、1次元のベクトルを出力します。このように，CNNでは，フィードフォワードニューラルネットワークに受け渡す前に，入力画像の優勢な特徴を抽出したものになっているので，それらをソフトマックス法を用いて分類することができます。

Pooling層

プーリング層（Pooling Layer）は、は畳み込み層の後に利用されるのが一般的です。この層では、入力データを圧縮します。

解像度が大きいと、ノイズも多くなります。特徴を残しつつ、縮小リサイズして解像度を減らすのがプーリングです。Pooling層はたいてい、Convolutoin層の後に適用されます。入力データをより扱いやすい形に変形するために、情報を圧縮し、down samplingします。

圧縮することで以下のメリットが得られ、Convolution層とPooling層で特徴を検出する働きをします。
・ロバスト性の向上（微小な位置変化の影響を受けにくくなる）
・ある程度過学習を抑制する
・計算コストを抑えられる

最後に

今回、調べてまとめることにより、何気なく使っていたCNNについて理解することができた。ゴリゴリの計算式とかはざっくりとしか理解はできていないが、これでやっと帰れそうです。

参考

TensorFlowとKerasで動かしながら学ぶ ディープラーニングの仕組み ~畳み込みニューラルネットワーク徹底解説~ (Compass Booksシリーズ)
・画像はこちらから拝借
　Convolutional Neural Networks (CNNs / ConvNets)
・定番のConvolutional Neural Networkをゼロから理解する

スカッシュゲームとは

スカッシュゲームとは、画面の端に当たって跳ね返ってきたボールを、マウスを使って打ち返して遊ぶゲームのことです。

---

作成方法

Step1：ウィンドウとキャンバスを作成しよう

# coding:utf-8
import tkinter as tk

# ウィンドウの作成
win = tk.Tk()
# キャンバスの作成
cv = tk.Canvas(win, width=640, height=480 ,bg="white")
# キャンバスの表示
cv.pack()

# ウィンドウの表示
win.mainloop()

---

Step2：ボールを描いて動かそう

ボールを動かす➝ ボールを表示たり消したりする

ボールを消す
1. 背景と同じ色のボールを表示
2. ボールを表示した後に画面をすべて消す ☜ 今回はこっち

---

手順１：変数の設定

# ゲームの初期化
ball_ichi_x = 300 
ball_ichi_y = 150
ball_idou_x = 30
ball_idou_y = -30
ball_size = 10

手順２：画面を描く

# 画面の描画
def draw_screen():
    # 画面クリア
    cv.delete('all') ←　画面を消せという命令
    # キャンパス(画面)の作成
    cv.create_rectangle(0, 0, 640, 480, fill="white", width=0)

手順３：ボールを描く

# ボールを描く
def draw_ball():
    cv.create_oval(ball_ichi_x - ball_size, ball_ichi_y - ball_size, ball_ichi_x + ball_size, ball_ichi_y + ball_size, fill="red", width=0)

---

手順４：ボールを動かす

# ボールの移動
def move_ball():
    global ball_ichi_x, ball_ichi_y, ball_idou_x, ball_idou_y

    # 左右の壁に当たったかの判定
    if ball_ichi_x + ball_idou_x < 0 or ball_ichi_x + ball_idou_x > 640:
        ball_idou_x *= -1
               ↓
     ball_idou_x = ball_idou_x * -1 ということ

    # 天井か床に当たったかの判定
    if ball_ichi_y + ball_idou_y < 0 or ball_ichi_y + ball_idou_y > 480:
        ball_idou_y *= -1

    # ボールの位置を移動
    if 0 <= ball_ichi_x + ball_idou_x <= 640:
        ball_ichi_x = ball_ichi_x + ball_idou_x
    if 0 <= ball_ichi_y + ball_idou_y <= 480:
        ball_ichi_y = ball_ichi_y + ball_idou_y

# ゲームの繰り返し処理の指令
def game_loop():
    draw_screen()
    draw_ball()
    move_ball()
    win.after(50, game_loop) # タイマーの設定

# ゲームのメイン処理
game_loop() ←　関数を呼び出す

関数の中で設定した変数を関数の外でも使うときに「global」を設定します
タイマーの時間の単位はミリ(1/1000)秒

---

実行結果

---

Step3：スカッシュゲームに改造しよう

手順１：変数の設定

# ゲームの初期化
def init_game():
    global is_gameover, ball_ichi_x, ball_ichi_y
    global ball_idou_x, ball_idou_y, ball_size
    global racket_ichi_x, racket_size, point, speed
    is_gameover = False # ゲーム終了の確認(終了でないときはFalse/終了のときはTrue)
    ball_ichi_x = 0
    ball_ichi_y = 250
    ball_idou_x = 15 
    ball_idou_y = -15 
    ball_size = 10
    racket_ichi_x = 0
    racket_size = 100
    point = 0 # ポイント(初期は0点/10点ずつ増える)
    speed = 50 # ゲームのスピードを調整するタイマー(単位はミリ秒)
    win.title("スカッシュゲーム:スタート!") # タイトルバーに表示

変数の初期値を「init_game( )」という名前の関数でまとめると、ゲームをまとめて初期化することができます

---

手順２：ラケットを描く

# ラケットを描く
def draw_racket ():
    cv.create_rectangle(racket_ichi_x, 470, racket_ichi_x + racket_size, 480, fill="yellow")

手順３：ボールを動かす

# ボールの移動
def move_ball():
    global is_gameover, point, ball_ichi_x, ball_ichi_y, ball_idou_x, ball_idou_y
    if is_gameover: return

    # 左右の壁に当たったかの判定
    if ball_ichi_x + ball_idou_x < 0 or ball_ichi_x + ball_idou_x > 640:
        ball_idou_x *= -1

    # 天井か床に当たったかの判定
    if ball_ichi_y + ball_idou_y < 0:
        ball_idou_y *= -1

    # ラケットに当たったかの判定
    if ball_ichi_y + ball_idou_y > 470 and (racket_ichi_x <= (ball_ichi_x + ball_idou_x) <= (racket_ichi_x + racket_size)):
        ball_idou_y *= -1
        if random.randint(0, 1) == 0:
            ball_idou_x *= -1
        point += 10
        win.title("得点＝" + str(point)) # 得点の表示

    # ミスしたときの判定
    if ball_ichi_y + ball_idou_y > 480:
        is_gameover = True
        win.title("得点＝" + str(point)) # 得点の表示

    # ボールの位置を移動
    if 0 <= ball_ichi_x + ball_idou_x <= 640:
        ball_ichi_x = ball_ichi_x + ball_idou_x
    if 0 <= ball_ichi_y + ball_idou_y <= 480:
        ball_ichi_y = ball_ichi_y + ball_idou_y

---

手順４：マウスの処理

# マウスの動きの処理
def motion(event): # マウスポインタの位置確認
    global racket_ichi_x 
    racket_ichi_x = event.x

def click(event): # クリックで再スタート
    if event.num == 1:
        init_game()

# マウスの動きとクリックの確認
win.bind('<Motion>', motion)
win.bind('<Button>', click)

「<　>」内の命令は「イベント」といってマウスの動きを調べられます
＜Motion＞ ← イベント名(先頭が大文字)
「motion」← 関数名

• マウスのイベント
  • Button または ButtonPress ← マウスのボタンを押した
  • ButtonRelease ← マウスのボタンを放した
  • Mottion ← マウスの動き(座標の取得)

---

Step4：オプション

音とメッセージを出そう

    # 左右の壁に当たったかの判定
    if ball_ichi_x + ball_idou_x < 0 or ball_ichi_x + ball_idou_x > 640:
        ball_idou_x *= -1
        winsound.Beep(1300, 50)

    # 天井か床に当たったかの判定
    if ball_ichi_y + ball_idou_y < 0:
        ball_idou_y *= -1
        winsound.Beep(1300, 50)

    # ラケットに当たったかの判定
    if ball_ichi_y + ball_idou_y > 470 and (racket_ichi_x <= (ball_ichi_x + ball_idou_x) <= (racket_ichi_x + racket_size)):
        ball_idou_y *= -1
        if random.randint(0, 1) == 0:
            ball_idou_x *= -1
        winsound.Beep(2000, 50)
        mes = random.randint(0, 3)
        if mes == 0:
            message = "うまい!"
        if mes == 1:
            message = "グッド!"
        if mes == 2:
            message = "ナイス!"
        if mes == 3:
            message = "すごい!"
        point += 10
        win.title(message + "得点＝" + str(point)) # 得点とメッセージの表示

    # ミスしたときの判定
    if ball_ichi_y + ball_idou_y > 480:
        mes = random.randint(0, 3)
        if mes == 0:
            message = "ミスしたね!"
        if mes == 1:
            message = "ドンマイ!"
        if mes == 2:
            message = "ヘタくそ!"
        if mes == 3:
            message = "あーあ、見てられないね!"
        win.title(message + "得点＝" + str(point)) # 得点とメッセージの表示
        winsound.Beep(240, 800)
        is_gameover = True

「winsound.Beep(音の周波数, 音を鳴らす時間)」で音を出すことができます

---

ボールのスピードを変えよう

ball_idou_x = 15
    ball_idou_y = -15

 speed = 50 # ゲームのスピードを調整するタイマー(単位はミリ秒)

これらの値を変えることによってボールのスピードを変えられます

---

ソースコード

# coding:utf-8

# スカッシュゲーム(壁打ちテニス)
# モジュールのインポート
import tkinter as tk
import random
import winsound

# ウィンドウの作成
win = tk.Tk()
# キャンバスの作成
cv = tk.Canvas(win, width=640, height=480 ,bg="white")
# キャンバスの表示
cv.pack()

# ゲームの初期化
def init_game():
    global is_gameover, ball_ichi_x, ball_ichi_y
    global ball_idou_x, ball_idou_y, ball_size
    global racket_ichi_x, racket_size, point, speed
    is_gameover = False # ゲーム終了の確認(終了でないときはFalse/終了のときはTrue)
    ball_ichi_x = 0
    ball_ichi_y = 250
    ball_idou_x = 15
    ball_idou_y = -15
    ball_size = 10
    racket_ichi_x = 0
    racket_size = 100
    point = 0 # ポイント(初期は0点/10点ずつ増える)
    speed = 50 # ゲームのスピードを調整するタイマー(単位はミリ秒)
    win.title("スカッシュゲーム:スタート!") # タイトルバーに表示

# 画面の描画
def draw_screen():
    # 画面クリア
    cv.delete('all') # 画面を消せという命令 
    # キャンパス(画面)の作成
    cv.create_rectangle(0, 0, 640, 480, fill="white", width=0)

# ボールを描く
def draw_ball():
    cv.create_oval(ball_ichi_x - ball_size, ball_ichi_y - ball_size, ball_ichi_x + ball_size, ball_ichi_y + ball_size, fill="red", width=0)

# ラケットを描く
def draw_racket ():
    cv.create_rectangle(racket_ichi_x, 470, racket_ichi_x + racket_size, 480, fill="yellow")

# ボールの移動
def move_ball():
    global is_gameover, point, ball_ichi_x, ball_ichi_y, ball_idou_x, ball_idou_y
    if is_gameover: return

    # 左右の壁に当たったかの判定
    if ball_ichi_x + ball_idou_x < 0 or ball_ichi_x + ball_idou_x > 640:
        ball_idou_x *= -1
        winsound.Beep(1300, 50)

    # 天井か床に当たったかの判定
    if ball_ichi_y + ball_idou_y < 0:
        ball_idou_y *= -1
        winsound.Beep(1300, 50)

    # ラケットに当たったかの判定
    if ball_ichi_y + ball_idou_y > 470 and (racket_ichi_x <= (ball_ichi_x + ball_idou_x) <= (racket_ichi_x + racket_size)):
        ball_idou_y *= -1
        if random.randint(0, 1) == 0:
            ball_idou_x *= -1
        winsound.Beep(2000, 50)
        mes = random.randint(0, 3)
        if mes == 0:
            message = "うまい!"
        if mes == 1:
            message = "グッド!"
        if mes == 2:
            message = "ナイス!"
        if mes == 3:
            message = "すごい!"
        point += 10
        win.title(message + "得点＝" + str(point)) # 得点とメッセージの表示

    # ミスしたときの判定
    if ball_ichi_y + ball_idou_y > 480:
        mes = random.randint(0, 3)
        if mes == 0:
            message = "ミスしたね!"
        if mes == 1:
            message = "ドンマイ!"
        if mes == 2:
            message = "ヘタくそ!"
        if mes == 3:
            message = "あーあ、見てられないね!"
        win.title(message + "得点＝" + str(point)) # 得点とメッセージの表示
        winsound.Beep(240, 800)
        is_gameover = True

    # ボールの位置を移動
    if 0 <= ball_ichi_x + ball_idou_x <= 640:
        ball_ichi_x = ball_ichi_x + ball_idou_x
    if 0 <= ball_ichi_y + ball_idou_y <= 480:
        ball_ichi_y = ball_ichi_y + ball_idou_y

# マウスの動きの処理
def motion(event): # マウスポインタの位置確認
    global racket_ichi_x 
    racket_ichi_x = event.x

def click(event): # クリックで再スタート
    if event.num == 1:
        init_game()

# マウスの動きとクリックの確認
win.bind('<Motion>', motion)
win.bind('<Button>', click)

# ゲームの繰り返し処理の指令
def game_loop():
    draw_screen()
    draw_ball()
    draw_racket()
    move_ball()
    win.after(speed, game_loop) # タイマーの設定

# ゲームのメイン処理
init_game()
game_loop() 
# ウィンドウの表示
win.mainloop()

---

実行結果

---

---

気づいたこと

• 実行したウィンドウを消去しないと次のウィンドウを表示できないこと
  ⇒これには結構焦りました。実行が上手くいかないので、Pythonに問題があるのかと思い、アンインストールしたりしてしまいました。

• ウィンドウやキャンバスの作成などの単純なプログラムでも多様な書き方があるということ
  ⇒省略できるものや書き方の異なるものが多くて驚きました。

---

疑問

import tkinter as tk 

を参考文献[1]では、

from tkinter import *

と書いてあったので、これで実行してみると実行できるのですが、fromの下に黄色い波線が引かれ、問題が100となります。これはなぜですか？

参考文献

[1] すがやみつる「ゲームセンターあらしと学ぶプログラミング入門まんが版こんにちはPython」(2020) 日経BP
[2] 大澤文孝「いちばんやさしいPython入門教室」(2019) 株式会社ソーテック社