@Blog

Vue.jsにウェブサービスの大半を移行しました.

2025.09.24

Logging

おはようございます.Vue.js（ビュー）にウェブサービスの大半を移行しました.最初は自分で直していたんだけど、途中からGeminiCLI（ジェミナイ）に指示（プロンプト）して対応しました.

もともと動いていたものを他の言語やフレームワークに移行する際には、ほぼバグ無しで移行出来るという事を実感しています.なので、一度自分で手を動かしてコードを書いて挙動を作った上でCLI（シーエルアイ）で変換するというのもありかな.

二度手間と思うかも知れないけど、正確にコードを書き換えてくれるし指示によれば改善もしてくれるので良いかも知れないと.

因みに、以前作ったidrawサービスがCLIの力によって改善されたものになりました.パソコンのスペックが悪いと若干重いかもですが、今どきのパソコンなら難なく動くと思います.

なお、Vue.jsで直していない部分のサービスもあります、直さなかった理由は直すほどのコード量じゃないかと判断したのとSEO的に現状維持の方が良いと判断したという2つの理由があります.

それ以外はVue.jsにコードを変換しました.

明日へ続く

タグ

cli, GeminiCLI, iDraw, SEO, Vuejs, ウェブサービス, コード, サービス, シーエルアイ, ジェミナイ, スペック, それ, バグ, パソコン, ビュー, フレーム, プロンプト, もの, ワーク, 今どき, 以前, 以外, 判断, 変換, 大半, 実感, 対応, 手間, 指示, 挙動, 改善, 明日, 最初, 正確, 無し, 現状, 理由, 移行, 維持, 自分, 若干, 言語, 途中, 部分,

ギリまで使うと思うものの続き、MacBook Proを見てきました、30ー32万円する.

2025.08.01

Logging

おはようございます.ギリまで使うと思うものの続き、MacBook Proをケーズデンキに行って見てきました、自分がほしいスペックのマックブックプロは30ー32万円する事が判明.正直なところ高いなと思う…昔の手取りなら簡単に買える感じかな.でも今は厳しいので手が届かない感じですね.

これから、マックブックプロ貯金を始めていこうと思います、貯金というかマックブックプロ投資を始めていこうと思っています.普通に貯金するより投資でお金に稼いでもらう感じで投資を行います.毎月その投資口座には一万円を入金する形で頑張っていきます.

自分の予想では購入金額の超えになるには2年ぐらいかと思っています.因みに前もって10万円は口座に入れていますが、この10万円は下ろさないものとして考えて投資額が38万円以上になったら必要な額だけ下ろす形にします.

因みに投資運用リスク強度は最大にして運用するので年利8.95％ぐらいになるだろうという考えのもとでの適当な表なので運用が上手くいかないくて目標達成出来ない可能性は大いにあると思ってください.

上手くいかない場合はマックブックプロが買えないので「あー」上手くいってないだなと思って頂いて結構です（※ロボプロはイメージです）（※衝動的に購入する場合もあります）.

明日へ続く

タグ

イメージ, お金, キリ, ケーズデンキ, スペック, ところ, ブック, プロ, マック, マックブックプロ, もと, もの, リスク, ロボプロ, 予想, 以上, 元本, 入金, 判明, 半年, 口座, 可能, 合計, 場合, 差額, 年利, 強度, 必要, 感じ, 手取り, 投資, 明日, 普通, 最大, 月数, 期間, 正直, 毎月, 目標, 簡単, 結構, 考え, 自分, 衝動, 評価, 貯金, 購入, 運用, 達成, 適当, 金額,

AIで記事を学習して新たな記事を生み出すにはお金が必要だと思っていたがそうでも.

2025.06.22

Logging

おはようございます.AIで記事を学習して新たな記事を生み出すにはお金が必要だと思っていたがそうでもなくローカルPCでそこら辺に落ちているLlamaモデルを持ってきてチューニングすれば何とかなるじゃねぇという思いに至った.

実はあなたの手元にあるPCと、そこら中に「落ちている」オープンソースのAIモデル、特にLlama 3があれば、十分記事が生成できるんです。

ローカルAI記事生成は、もはや夢物語じゃない

「AIで記事生成」と聞くと、SFのような世界や、大企業だけが使える特権のように感じるかもしれません。しかし、今は違います。オープンソースの強力な言語モデル、特にMetaが公開したLlama 3の登場は、この常識を大きく覆しました。

Llama 3は、その性能の高さにもかかわらず、誰でも無料で利用できるという点が最大の魅力です。さらに、80億パラメータの8Bモデルであれば、最新のゲーミングPCとまではいかなくとも、ある程度の性能を持つPCであれば十分に動作します。これにより、高額なクラウドサービスを利用せずとも、自分のPCでAI記事生成の環境を構築することが現実的になりました。

なぜLlama 3があなたのPCと相性抜群なのか？

Llama 3がローカルPCでの記事生成に適している理由はいくつかあります。

• 完全無料のオープンソース: 利用に費用がかからないため、予算を気にせずAIを試したり、本格的に導入したりできます。
• 選べるモデルサイズ: Llama 3には様々なサイズのモデルがあり、PCのスペックに合わせて選べます。特に8Bモデルは、個人利用に最適なバランスを持っています。
• 活発な開発者コミュニティ: 世界中の開発者がLlama 3を使った新しいツールや効率的なチューニング方法を日々共有しています。困ったときには助けを借りられる心強い味方です。
• 「量子化」でさらに軽量に: モデルのサイズを大幅に小さくする「量子化」という技術を使えば、より少ないメモリでLlama 3を動かせるようになります。これにより、より多くのPCで利用の道が開けます。

あなたのPCを「記事生成マシン」に変える秘訣

もちろん、いきなりプロのライター並みの記事をAIに書かせるのは難しいかもしれません。しかし、ちょっとした工夫で「何とかなる」レベルの記事生成は十分に可能です。

1. 少量のデータでファインチューニング: 大量の記事データは不要です。あなたが書きたい記事のテーマやスタイルに合った、質の良い記事を数十〜数百程度集めてLlama 3を学習（ファインチューニング）させれば、その分野に特化した記事生成能力が格段に向上します。
2. プロンプト（指示文）の工夫: AIへの「指示の出し方」は非常に重要です。具体的で明確なプロンプトを与えることで、チューニングが完璧でなくても、驚くほど質の高い記事が生成できます。これはまるで、優秀なアシスタントに的確な指示を出すようなものです。
3. 効率的な学習方法の活用: 「LoRA（Low-Rank Adaptation）」のような効率的なファインチューニング手法を使えば、少ないGPUメモリでも短時間でモデルを特定のタスクに最適化できます。

あなたの創造性が、今、AIで加速する

かつては一部の専門家や企業にしか手の届かなかったAIによる記事生成が、今やあなたのPCで実現できる時代になりました。これはまさにAI技術の「民主化」です。

とまぁそういう訳なので何とかしてみますが、ファインチューニングにどれぐらい時間がかかるのかが未知数だったりする.

ファインチューニングPythonコード

以下のPythonコードは、Llama 3モデルをロードし、提供されたテキスト記事でファインチューニング（LoRA使用）を実行し、結果を保存します。 上記の入力値は、このコードに自動的に反映されます。 このコードをPythonファイル（例: `finetune_llama.py`）として保存し、実行してください。

import os
import torch
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig, TrainingArguments, Trainer
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training, TaskType

# GPUの利用可能性を確認
print("GPUが利用可能か確認中...")
if not torch.cuda.is_available():
    print("GPUが見つかりません。Fine-tuningにはGPUが強く推奨されます。")
    # GPUがない場合は、ここでスクリプトを終了するか、CPUモードで続行するか選択できます。
    # exit("GPUがないため終了します。")
else:
    print(f"GPUが利用可能です: {torch.cuda.get_device_name(0)}")

# --- 1. モデルとトークナイザーのロード ---
# Llama 3モデルのパスを指定します。Hugging Faceのモデル名（例: "meta-llama/Llama-3-8B"）
# またはローカルにダウンロードしたモデルのパスを指定してください。
MODEL_NAME = "meta-llama/Llama-3-8B" # ユーザーが入力したパスがここに挿入されます

print(f"モデルとトークナイザーをロード中: {MODEL_NAME}")

# 4bit量子化設定 (GPUメモリの節約に役立ちます)
# bnb_4bit_compute_dtypeは、Ampere以降のNVIDIA GPUに推奨されるbfloat16を使用しています。
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4", # NF4 (NormalFloat4) 量子化タイプ
    bnb_4bit_compute_dtype=torch.bfloat16 
)

# トークナイザーをロード
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
# Llama 3はデフォルトでbos_tokenを付与しないことがあるため、明示的に追加。
# また、padding_side='right'はLlamaモデルに推奨される設定です。
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"

# モデルをロードし、量子化設定を適用し、自動的にGPUにマッピングします。
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=bnb_config,
    device_map="auto", # 利用可能なデバイス（GPU）に自動的にモデルを分散
    trust_remote_code=True # リモートコードの実行を許可
)
print("モデルロード完了。")

# k-bit学習用にモデルを準備 (PEFTライブラリのため)
# gradient_checkpointingを有効にすることで、メモリ使用量をさらに削減できます。
model.gradient_checkpointing_enable()
model = prepare_model_for_kbit_training(model)
print("k-bit学習用にモデルを準備しました。")

# --- 2. データセットの準備 ---
# あなたのテキスト記事ファイルが格納されているディレクトリを指定します。
# 例: 'your_article_data/' の中に 'article1.txt', 'article2.txt', ... と置かれている場合
DATA_DIR = "./your_article_data/" # ユーザーが入力したパスがここに挿入されます

print(f"データセットをロード中: {DATA_DIR}")

# 'text'形式でデータセットをロードします。指定されたディレクトリ内のすべての.txtファイルを読み込みます。
# 各ファイルが1つのエントリとして扱われます。
try:
    dataset = load_dataset('text', data_files={'train': os.path.join(DATA_DIR, '*.txt')})
    print(f"データセットのサンプル数: {len(dataset['train'])}")
except Exception as e:
    print(f"データセットのロード中にエラーが発生しました。ディレクトリとファイル形式を確認してください: {e}")
    exit("データセットロード失敗。")

# データセットをトークン化する関数
# 長い記事をモデルの最大入力長に分割します。
def tokenize_function(examples):
    # Llama 3の最大入力長は通常8192ですが、お使いのGPUのVRAMに合わせて調整してください。
    # ここでは一般的な値として2048を設定しています。
    max_length = 2048 
    # truncate=Trueで最大長を超えるテキストを切り捨てます。
    return tokenizer(examples["text"], truncation=True, max_length=max_length)

# データセットをトークン化します。
# num_procはCPUコア数に応じて並列処理を行い、処理を高速化します。
tokenized_dataset = dataset.map(
    tokenize_function,
    batched=True,
    num_proc=os.cpu_count(),
    remove_columns=["text"] # 元のテキスト列は学習に不要になるため削除します。
)
print("データセットのトークン化が完了しました。")

# --- 3. PEFT (LoRA) の設定 ---
# LoRA (Low-Rank Adaptation) は、元のモデルの重みをフリーズし、
# 小さなアダプター層を追加して学習させることで、効率的にファインチューニングを行います。
# これにより、GPUメモリの使用量を抑えつつ、高い性能を実現できます。
lora_config = LoraConfig(
    r=16, # LoRAのランク。値を大きくすると表現力が増すが、メモリ消費も増える。
    lora_alpha=32, # LoRAのスケーリング係数。rの2倍程度が推奨されることが多いです。
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"], # LoRAを適用する層。Llamaモデルで一般的な層。
    bias="none", # バイアスを学習しない設定。
    lora_dropout=0.05, # ドロップアウト率。過学習を防ぐために設定します。
    task_type=TaskType.CAUSAL_LM, # タスクタイプを因果言語モデルに設定。
)

# モデルにLoRAアダプターを追加します。
model = get_peft_model(model, lora_config)
print("モデルにLoRAアダプターを適用しました。")
model.print_trainable_parameters() # 学習可能なパラメータ数を確認します。

# --- 4. 学習の実行 ---
# 学習済みモデルを保存するディレクトリ
OUTPUT_DIR = "./llama3_finetuned_model/" # ユーザーが入力したパスがここに挿入されます

# 学習の設定
training_args = TrainingArguments(
    output_dir=OUTPUT_DIR,
    num_train_epochs=3, # エポック数。データセットのサイズと希望する精度に応じて調整してください。
    per_device_train_batch_size=1, # GPUあたりのバッチサイズ。VRAMが少ない場合は1に設定。
    gradient_accumulation_steps=4, # 勾配を蓄積するステップ数。実質的なバッチサイズは per_device_train_batch_size * gradient_accumulation_steps になります。
    optim="paged_adamw_8bit", # 8bit AdamWオプティマイザを使用し、メモリ効率を向上させます。
    save_steps=500, # 500ステップごとにモデルを保存します。
    logging_steps=100, # 100ステップごとにログを出力します。
    learning_rate=2e-4, # 学習率。
    fp16=True, # 混合精度学習を有効化 (GPUが対応している場合)。VRAM削減と高速化に寄与します。
    max_steps=-1, # num_train_epochsに基づいて学習します。
    group_by_length=True, # 同じ長さのシーケンスをグループ化し、パディングを削減します。
    lr_scheduler_type="cosine", # 学習率スケジューラーのタイプ。
    warmup_ratio=0.03, # ウォームアップ比率。
    report_to="none", # レポート先を指定しない (wandbなどを使用しない場合)。
)

# トレーナーの初期化
# data_collatorは、モデルの入力形式に合わせてデータを整形します。
trainer = Trainer(
    model=model,
    train_dataset=tokenized_dataset["train"],
    args=training_args,
    data_collator=lambda data: {
        'input_ids': torch.stack([f['input_ids'] for f in data]),
        'attention_mask': torch.stack([f['attention_mask'] for f in data]),
        'labels': torch.stack([f['input_ids'] for f in data]), # 因果言語モデルでは、入力自体がラベルとなります。
    },
)

# 学習の開始
print("Fine-tuningを開始します...")
trainer.train()
print("Fine-tuningが完了しました。")

# --- 5. 学習済みモデルの保存 ---
# LoRAアダプターのみを保存します。これにより、ファイルサイズが小さく、効率的に管理できます。
trainer.save_model(OUTPUT_DIR)
print(f"学習済みLoRAアダプターが '{OUTPUT_DIR}' に保存されました。")

# 保存したアダプターを使って推論を行う方法の例 (コメントアウトされています):
# このコードは、ファインチューニング後にモデルをロードして推論を行うための参考例です。
# from peft import PeftModel
#
# # 元のモデルをロード (学習時と同じ量子化設定を使用します)
# base_model = AutoModelForCausalLM.from_pretrained(
#     MODEL_NAME,
#     quantization_config=bnb_config,
#     device_map="auto",
#     trust_remote_code=True
# )
#
# # 保存したLoRAアダプターを元のモデルに結合します。
# peft_model = PeftModel.from_pretrained(base_model, OUTPUT_DIR)
#
# # 推論モードに設定します。
# peft_model.eval()
#
# # テキスト生成の例
# prompt = "ローカルPCでのLlama 3ファインチューニングの利点とは"
# inputs = tokenizer(prompt, return_tensors="pt").to("cuda") # 入力をGPUに移動
#
# with torch.no_grad(): # 勾配計算を無効化し、メモリ使用量を削減
#     outputs = peft_model.generate(
#         **inputs,
#         max_new_tokens=200, # 生成する新しいトークンの最大数
#         do_sample=True, # サンプリングによる生成を有効化
#         top_p=0.9, # Nucleusサンプリングの閾値
#         temperature=0.7, # 生成の多様性を制御する温度
#         eos_token_id=tokenizer.eos_token_id # 終了トークンID
#     )
# print("\n--- 生成されたテキスト ---")
# print(tokenizer.decode(outputs[0], skip_special_tokens=True))

明日へ続く

タグ

```, ;;）, )。, アウト, アシスタント, アダプター, あたり, アップ, あなた, いくつ, ウォーム, エポック, エラー, エントリ, オープン, オプティマイザ, お金, クラウドサービス, グループ, クン, ゲーミング, コード, コア, ここ, こと, コミュニティ, コメント, これ, サイズ, サンプリング, サンプル, シーケンス, スクリプト, スケーリング, スケジューラー, スタイル, ステップ, スペック, すべて, ソース, そこら, タイプ, ダウンロード, タスク, ため, チューニング, ツール, データ, データセット, テーマ, ディレクトリ, テキスト, デバイス, デフォルト, トー, トークナイザー, とき, どれ, トレーナー, ドロップ, バイアス, パス, バッチ, パディング, パラメータ, バランス, ファイル, ファイルサイズ, ファインチューニング, ファインチューニングコード, フリーズ, プロ, プロンプト, マシン, マッピング, メモリ, モード, モデル, もの, ユーザー, よう, ライター, ライブラリ, ラベル, ランク, リモート, レベル, レポート, ローカル, ロード, ログ, 一般, 一部, 上記, 不要, 世界, 世界中, 並み, 並列, 予算, 付与, 以下, 以降, 企業, 使い, 使用, 係数, 保存, 個人, 優秀, 入力, 公開, 共有, 具体, 処理, 出力, 分割, 分散, 分野, 初期, 利点, 利用, 制御, 削減, 削除, 創造, 加速, 助け, 効率, 動作, 勾配, 十分, 参考, 反映, 可能, 向上, 味方, 因果, 場合, 多様, 夢物語, 大幅, 大量, 失敗, 学習, 完了, 完全, 完璧, 実現, 実行, 実質, 寄与, 対応, 専門, 導入, 少量, 工夫, 希望, 常識, 強力, 形式, 必要, 思い, 性能, 手元, 手法, 技術, 抜群, 指定, 指示, 挿入, 推奨, 推論, 提供, 整形, 新た, 方法, 日々, 明日, 明確, 明示, 時代, 時間, 最大, 最新, 最適, 有効, 未知数, 本格, 格段, 格納, 構築, 様々, 比率, 民主, 活用, 活発, 消費, 混合, 済み, 温度, 準備, 無効, 無料, 特定, 特権, 現実, 理由, 環境, 生成, 発生, 登場, 的確, 相性, 短時間, 確認, 秘訣, 移動, 程度, 管理, 節約, 精度, 終了, 結合, 結果, 続行, 能力, 自体, 自分, 自動的, 蓄積, 表現, 言語, 計算, 記事, 設定, 許可, 調整, 費用, 軽量, 追加, 通常, 適用, 選択, 重み, 重要, 量子, 開始, 開発, 関数, 閾値, 非常, 高速, 高額, 魅力,

慣れるか慣れないかではなくてなりたいが重要なのかもしれない.

2025.02.19

Logging

おはようございます.DevAsLifeのTakuyaさんみたいに自分はなりたいのだけども全然レベルが違って雲の上の人感覚が強いです.喋りも下手な自分にとってはなんか本当に差を感じたりします、喋りで損をしている気がしているのは凄く分かるのですが、なんかそんなに対した技術もないのでそれを表現するのがすごく苦手です.

慣れるか慣れないかで言えば、恐らくなれない可能性が高いですよね.これは元々のスペック的な要素です.でもなりたいという気持ちは捨てたらダメだとも思うです.それに近づこうという気持ちは大事、この気持ちを枯らしたら多分老けていくだろうと思っています.

自分みたいに思っている人で何から手を付けてよいのやらと思っている人は、何か一つはじめて続けることが大事なんだろうと思っています.そしたらある程度までは身につくことが可能です.この身につくまでの時間が自分の持っている元々のスペックが良いほど、短時間で身につくことが可能ですが大体の人は投げ出さない限り身につきます.

1年、2年単位で物事を考えるのも10年単位で物事を考えても考えた通りに人生は動かない、だいたい的外れ3日先でも当たらないだから将来なんてのは分からない.当たらないけど準備は大事だったり努力は大事だったり気持ちは大事だったりします.あと流れに乗るということは大事なことなんだろうなってこの頃は思っています.

明日へ続く

タグ

スペック, 人感覚, 人生, 努力, 将来, 差, 年単位, 技術, 損, 気持ち, 準備, 物事, 的外れ日先, 短時間, 程度, 要素, 身, 通り, 限り身, 雲,

先日、Mac mini買うかも宣言は撤回してAir待つことに．

2024.11.11

Logging

おはようございます．先日、Mac mini買うかも宣言は撤回してAir待つことにします💁．理由はm4を搭載されていないMacはAirだけなので、来年には発売されるじゃないのかなと思うとデスクトップだけで使用するMac miniを買うよりも外出先でも使用できるMacBook Airを購入した方が良さげかと．

Mac miniは価格の割にはスペックが良いよねえだけども、絶対、MacBook Airの方がお手頃価格になると思います、MacBook AirのM4がでる頃にはm5のMacBook Proが発売される可能性もあるので、一概にMacBook Airがコスパ最強とはならないと思うけども．

今回、Mac miniのm4が発売されたけどもこれがMac miniとMacBook Airが同時発売だったら、恐らくMacBook Airが注目を浴びていただろうと思う．そう思ったのでMac mini買うことを我慢してMacBook Airを購入するようにしたい．

明日へ続く

タグ

air, Air待つこと, m4, m5, Mac, Mac mini, Mac mini買うこと, MacBook Air, MacBook Pro, コスパ最強, スペック, デスクトップ, 割, 同時発売, 外出先, 宣言, 来年, 注目, 良さげかと,

仕事と私生活で使用するPCは分けるべきだと思ふ。#docker

2023.06.09

Logging

おはようございます。仕事と私生活で使用するPCは分けるべきだと思います。アカウントを分けている方はいると思うのですが、それよりも端末ごとに分けるべきだったと最近思い出しました。PCの初期化とか気軽にできない。理由は開発環境でCドライブを一部使用しているからです。

一部使用しているのは物はDockerさんですね。バックアップしてイメージに吐き出して、ロードすれば済む話なのですが、もし環境が崩れてしまったら面倒くさいなって思っていてやっていない。

この作業はお盆休みにでも行おうと思います。何故、初期化したいのかと言えばBluetoothが壊れているのですね。レジストリとかバックアップしないでいじってしまって一部変なんです。なので、初期化したいなって思っています。

本当は先週の休みに行おうと思っていたのですが、そんな事（上記）を考えるとこわいなーって思ってできなくなったのです。この頃、思うのだけど仕事と私生活のPCは分けたいなと思っています。仕事はノートパソコンか別途PC買って動かせば良いのかなって思っています。WEBアプリケーション系とかを開発している仕事なので、それほどスペックが必要という訳でもないのでそうしたいなって思っていますが、今年入り様なので来年になりそうです😐。

尚、別々にするメリットはこんな感じ。
仕事と私生活で使用するPCを分けることで、セキュリティ面やプライバシー面で安心できます。また、仕事と私生活を切り離すことで、仕事に集中したり、プライベートを充実させたりするのに役立ちます。

仕事と私生活で使用するPCを分けることを検討してみてはいかがでしょうか？

タグ

bluetooth, Cドライブ, Dockerさん, PC, WEBアプリケーション系, アカウント, お盆休み, スペック, セキュリティ面, ノートパソコン, プライバシー面, プライベート, メリット, 作業, 初期化, 別途PC, 来年, 私生活, 端末ごと, 訳,

年間契約：サブスクディズニープラスを検討中。#再度検討中

2023.05.26

Logging

おはようございます。以前、サブスクディズニープラスに入会すると言っていたけど、まだ入会していません。来月か再来月には入会したいなとは思っているのだけど、サブスクが増えてきているように思えて見直ししないといけないなって思っています。

今、契約中のサブスクは、ネトフリ、アマプラ、ツイッター、イラストレーター、サーバー代ですね。この中で年間契約出来るものは年間契約で契約を結んでいます。サーバー代は高いので来年からは自宅サーバーで運用とか考えているのですが、サーバーのスペックは上がるのですけど実際、運用するとなると恐らくですね。セキュリティ上の面から回線を分けたいと思っています、今ある回線をサーバー運用と私用で使うのはやばくなくないかと素人目からすると思うので。

ともあれ、これ以上、サブスクの契約を結ぶと痛いので、ディズニープラスの契約を結んだらツイッターのサブスク辞める可能性高いですね。有料会員にしてもフォロワーも増えることもないし、会員特典も今のところ、あまり特典があると言えない感じなので。

タグ

on Pexels.com, Photo by greenwish, アマプラ, イラストレーター, サーバー, サーバー運用, サブスク, サブスクディズニープラス, スペック, ツイッター, ディズニープラス, ネトフリ, フォロワー, 回線, 年間, 年間契約, 来年, 私用, 自宅サーバー, 運用,

サーバー運営を黒字化するまでに、もう少しです😁。

2023.05.01

Logging

おはようございます、５月になりましたね。２日前から自分は９連休です。

さて、サーバー運営を黒字化するまでに、もう少しです😁。あともう少しでサーバー代を相殺出来る収益になります。因みにワンコインのサーバーだったら毎月、黒字化を達成できているのですが、現在、運営に使用しているのはVPSサーバーで運営していて尚且つスペックは下の中あたりを使用しているので、ワンコインが３つぐらい必要です。なので、もう少し稼げないと黒字化出来ない。

黒字化は出来ていないのですけど、半分（上）ぐらいの収益は出ているので負担は半減出来ています。いや、本当に有り難いことだと思います。

働いているので、負担にはならないのですがこれが働いていない状態だったら負担になります。そうならないように黒字化で運営したいと思っていますし、もっとサービスも作りたいとも思っています。

GWを使ってサービスの骨組みぐらいは作りたいなって思っていますが、昔に比べてアイディアが出なくなっている気がします。あと、二番煎じでも良いので作ろうという気持ちがこの頃無くて具現化していないものがあるので、そういうサービスも休日を使って作っていきたいと思っています。

因みにさくらVPSを使用して運営しています。今どきなAWSのサーバー代は高額なので個人では難しいというか自分には難しいのです。運営しているサービスの収益化が大幅な増益が出るようになれば使用するようになると思います。それまでは当分、現在のサーバーを使用するつもりでいます。

タグ

AWS, GW, VPSサーバー, アイディア, サーバー, サーバー運営, さくらVPS, スペック, 中あたり, 二番煎じ, 休日, 具現化, 半分, 半減, 収益, 増益, 有り難いこと, 毎月, 骨組み, 黒字化,

Gさんが提供するVertex AI VisionAIを使用してみて。

2023.04.04

Logging

おはようございます。Vision AIで画像解析の精度を試しみた結果、これで良いかなと思い始めています。これを使用して「釣ったー」という釣り画像をシェアするサイトを作ろうかなって思っています。問題だったのが魚が写っている写真なのかを判別することが問題になっていました。当初はtensorflowで提供されている学習済みのモデルを使用したJSライブラリを使用して画像の判別しようと思っていたのですが、これ少し難がありモデルの精度がいまいちな所があります。

サービス提供する側としては、あまり変な画像をUPされるとその対応に時間を費やさないといけないので、そこは避けたい所があります。文章での誹謗中傷は現在、誹謗中傷に特化したデータを自分がもっているので、その方法を使用することである程度、投稿の判別は可能になっていましたが、前文で書いた通り画像の判別は難です。

今から魚のデータセットを取り入れたとしても、学習させるPCが存在しない。いつも使用しているPCでは、学習させることは可能だけどさて、どのぐらい時間を費やさないといけないのかなどの問題があるので断念。旧PCはあるにはあるのだけど機械学習させるスペックではないので断念した。

そのため機械学習モデル済みのモデルが必要になった。モデルを探すより、学習済みのAPIを使うのが手っ取り早いと思ったので、AWS、Azure、GCPという候補の中でざっくり考えた結果。

GCPに軍配が上がって、試してみた結果。良好だったのでそちらを使用することにした。

尚、VisualAPIを使用するにあたって参考にしたサイト。環境変数などの設定などは如何なものかと思ったのでそこは参考にしていない🙄。

・https://www.asobou.co.jp/blog/web/vision-api

・https://packagist.org/packages/google/cloud-vision

注意事項として画像をひとつ添付する。左の項目最下のマーケットプライスの中にVertex AI VisionAIが組み込まれているので、それを有効にすること。後は上記のリンクを参考にすると上手く出来ると思います。

タグ

AI VisionAI, API, AWS, Azure, GCP, JSライブラリ, tensorflow, Vertex, VisualAPI, スペック, マーケットプライス, 側, 判別, 前文, 断念, 環境変数, 精度, 誹謗中傷, 軍配, 難,

Z世代ではないのでAndroid端末でも良い気がします。

2023.03.15

Logging

おはようございます、MacMini M2かMacBookか悩み始めたら、M3が登場するよという噂が・・・。

自分みたいにMacMini M2かMacBookか悩んでいる場合は、今すぐ購入するかどうかを決める前に、M3が本当に発売されるのか、どのようなスペックが予想されるのか、そしてどのくらいの価格帯で販売されるのかを確認することが重要になると思っています。

また、M3が発売されるまでに必要な作業や用途がある場合は、今すぐ購入してしまう方がよい場合もありますがMacMini M2とMacBookはそれぞれ特徴が異なるため、自分の用途や予算に合わせて選択することが重要ですよね～～分かっているだけど、悩ましい問題です。

これはMacの話ですがAndroidとiPhoneにも置き換えて言える話です。悩ましい🤔。

タグ

Android, iPhone, M3, Mac, MacBook, MacMini M2, MacMini M2かMacBook, スペック, それぞれ特徴, よい場合, 予算, 作業, 価格帯, 噂, 悩ましい問題, 用途, 自分, 話,

TensorFlow Lite（テンソルフロー ライト）をインストールしモデル実行まで。

2021.06.14

Logging

ラズベリーパイ3にTensorFlow Lite（テンソルフロー ライト）をインストールしモデル実行まで軽く字幕で紹介した動画が下記になります。インストール方法は公式に書かれた通りに実行すれば上手くインストール出来るはずです。比較的に低スペックのマシンでも動くはずなのです、どうしてもエラーが出て動かないようであれば、それはおそらくあなたのマシンに問題があります?。

動画でハマりどころがあるという事をブログで解説しますと書いていますので、そのハマりどころを解説します。。。

TensorFlow Lite（テンソルフロー ライト）で動かす場合、label_image.pyの修正箇所が公式に書かれていると思いますが・・・?、ここで自分がハマり、実行するコマンドを打ってもパラメーターがどうたらというエラーが出力されて動きませんでした。結論から言うと原因はマスターのソースコードにあったのです。修正を要領よく修正しては駄目だった。直接的な原因となったのは–num_threadsのパラメーターを投げていたのが原因でした。

公式では下記の内容に変更しなさいと書かれています。tf.lite.Interpreterの部分を置き換えればよいだろうと思っていたのです。

interpreter = tf.lite.Interpreter(model_path=args.model_file)

マスターのソースコードは若干、公式とは違ってこのようなソースコードになっていました。

  interpreter = tf.lite.Interpreter(
      model_path=args.model_file, num_threads=args.num_threads)

渡す引数が一つ増えていたので、自分はそれを残していたのですが・・・?、これでは動かないのです。そう・・num_threads=args.num_threadsは削除してあげないとモデルを動かすことが出来なかったのです。それがわからず渡すパラメーターが駄目なんだとか思って四苦八苦していました。

自分みたいな修正方法している方も中にはいると思ったので、今回、初心者がハマった沼を紹介しました?。

タグ

３, image, label, LITE, py, tensorflow, あなた, インストール, エラー, コード, ここ, コマンド, スペック, ソース, それ, テンソル, はい, パス, パラメーター, フロー, ブログ, マシン, マスター, モデル, ライド, ラズベリー, 下記, 事, 修正, 公式, 出力, 動画, 原因, 問題, 場合, 字幕, 実行, 方法, 箇所, 紹介, 結論, 自分, 解説, 通り,

じぶんがYOUTUBERになるためには壁があるので無理ゲーですね。

2019.12.18

Logging

じぶんがYOUTUBEになるには壁がある。

1.チャンネルの過去12か月間の総再生時間が4,000時間
2.チャンネル登録者が1,000人

これを満たさないと広告収入が入らないというシステムになっている。
2に関してはお金を払えばチャネル登録者数は買えるらしいけど
チャネルがBANされてしまっては嫌なのでやらない。

顔出しは全然OKだけど、喋るのが全然ダメなので
YOUTUBERには向かないと思っている。

喋るのは未だに小学生低学年ぐらいの表現力しかないし
なにせ滑舌悪いので、視聴するには向かないかも。

綺麗な動画をUPさせてそれで収入を得るということは
自分の場合できる可能性は高いだけど、それには編集ソフトと
高スペックのPCが必要、いまのPCのビデオボードでは
無理ゲーだと思う、ただビデオボードを入れ替えれば可能性はある。

でも、なんだかそれもしたくない。
何というかカッコいいサイトとかよりゆるい事をだらーって
している方が良い。

方向性は決めていないけどYOUTUBEもUPしていきますので
チャネル登録お願いします。

タグ

000, １, 2, 4, BAN, OK, PC, UP, youtube, YOUTUBER, いま, お金, ゲー, こと, これ, サイト, システム, じぶん, スペック, ソフト, それ, ため, チャネル, チャンネル, ビデオ, ボード, 再生, 動画, 収入, 可能性, 場合, 壁, 学年, 小学生, 広告, 必要, 時間, 未だ, 滑舌, 無理, 登録者, 綺麗, 編集, 自分, 表現力, 視聴, 過去, 顔出し,