bashとzshでカラーパレットを表示するスクリプト なんだか定期的に色を変えたくなる… プロンプトの色やtmux/screenのステータスバーの色変更時のお共に。 yonchu/shell-color-pallet · GitHub 256色カラーパレットを表示 こんな感じに表示されます。 ANSI のカラーコード(16色)を表示 こんな感じに表示されます。 スクリプトのコメントにエスケープシーケンスの説明を記載しているので、設定するときに参照すると良いかと思います。

最近では、pip の代わりに Poetry を導入する Python プロジェクトも増えてきました。 たしかに pip は役割がシンプルで使い方も単純明快ですが、仮想環境の構築には他のツールが必要だったり、依存関係の解決は開発者自身で行う必要がありました。 一方の Poetry 、誤解を恐れずに表現するなら以下のような感じです。 pip + virtualenv + requirements.txt 上記に加えてさらに「依存関係の自動調整」までやってくれます。 使い始めると離れられないほど便利な一方で、多機能ゆえのとっつきにくさがあることも事実でしょう。 そこで、本記事は以下の内容をお伝えします。

こちらはフィヨルドブートキャンプアドベントカレンダー23日目の記事です。 昨日の担当はhondaさんでReactを最低限理解するまでの過程について書かれています！ フィヨルドブートキャンプアドベントカレンダーはPart2もあるため毎日楽しみながら投稿を追っています。 本日は「zshのプロンプトカスタマイズを理解したい」という内容で書いていきたいと思います。 プロンプトカスタマイズを理解したいと思ったきっかけ 秋頃からLinuxの学習に取り組み始め、その中でPS1という環境変数の存在を知りました。 PS1はコマンドプロンプトを定義するbashの環境変数です。 この環境変数の内容を編集することでプロンプトの表示内容をカスタマイズす事が可能です。 自分はこのプロンプトカスタマイズについて何も理解せず設定していたため、今回調べてみたことを記事にまとめたいと思います。 プロンプトカスタマイズとは？

それぞれのツールに関する詳しい説明は本記事では行いません。詳しく知りたい方は、ツール名のリンクから公式ドキュメント等を参照してみてください。 上記の表に挙げたツール群にはそれぞれに特徴があります。pyenv、venv、pipのように単一機能に特化したものから、Condaのようにデータサイエンスや機械学習プロジェクトで使用される複雑なパッケージの依存関係や環境管理をサポートするツール、PoetryのようにPythonパッケージインデックス（PyPI）への公開をサポートするツールなど、開発シーンに合わせて選択することができます。 uvとは uvは2024年の2月中旬に発表されたばかりの新しいパッケージ管理ツールです。Rustで書かれており、ここ最近で飛躍的に使用されるようになったRust製のPythonリンター＆フォーマッター「Ruff」を開発しているAstral社によって提供されています[1

この記事では、Pythonでの_(アンダースコア)の扱いをまとめます。 Pythonでは、アンダースコアが関数やメソッドの前後に付与されていたり、変数として使用されています。慣例的な用法であったり、システム的な制約を付与する場合があるのですが…

昨日のグラフをちょっと変えて、製品ごとの色分けをしてみました。 今日の課題は、製品ごとに色分けした棒グラフを、会社ごとに見せる。 ※ ただ～し、会社ごとに見るときも、全体の合計は残したい  です。 ゴールを先に示します。こういうことです。↓ 意図はお分かり頂けると思います。全体合計の中における、A社の割合と各製品ごとの内訳を視覚的に見たいということです。 ちょ～っと難しいですよ。（知ってれば簡単です） 3社とも表示されている場合は、グラフに問題ありません。 A 社だけフィルターをかけます。 いい感じ。でも、リファレンスラインを見てください。 A社のみの合計になっています。親切に、リファレンスラインも変えてくれたんですね。普通はこれでOKです。 でも、課題は、3社合計も示すです。 今のリファレンスラインをキープしたまま、全体合計を追加します。 でも、そのままでは、できません。Tableauの

こんにちは、メルカリの生成AIチームで ML Engineer をしている ML_Bear です。 以前の記事[1]では商品レコメンド改善のお話をさせていただきましたが、今回は、大規模言語モデル (LLM) やその周辺技術を活用して30億を超える商品のカテゴリ分類を行なった事例を紹介します。 ChatGPTの登場によりLLMブームに火がついたということもあり、LLMは会話を通じて利用するものだと認識されている方が多いと思いますが、LLMが有する高い思考能力はさまざまなタスクを解決するためのツールとしても非常に有用です。他方、その処理速度の遅さや費用は大規模なプロジェクトでの活用にあたっての障壁となり得ます。 本記事では、こうしたLLMの課題を克服するためにさまざまな工夫を施し、LLM及びその周辺技術のポテンシャルを最大限に引き出して大規模商品データのカテゴリ分類問題を解決した取り組みについ

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

今のLLMを取り巻く状況について紹介します。

Springが初めて発表されたのが2002年なので、およそ20年に近い時間が経ちました。今はJavaと言えば当たり前のようにSpringを使っていて、Spring MVCやMaven、propertiesのような煩雑な環境構築と初期設定の問題も、Spring Bootが登場したおかげでだいぶマシになりましたね。特に自分の場合がそうですが、Spring Boot、Gradle、yamlを使ってXMLは一つもないアプリをよく書いていて、なんでも楽と思います。 こうも発展を成し遂げているSpringですが、実は数年前から、そもそものSpring MVCの問題を改善したいという声があり、Spring 5.0からはMVCとは全く違う、新しいフレームワークが登場していました。それが今回紹介します、Spring WebFluxです。 Spring WebFluxはMVCと何が違うか最初から作り直したフレ

今回のカスタマイズの前提『Contact Form 7』のメッセージ本文に日本語が含まれていない場合はエラーを返す海外からの顧客を相手にする（英文メールでやり取りする）場合は、今回のカスタマイズの利用は不可functions.php を編集できるサイト『Contact Form 7』のスパムメール対策方法以下のコードを functions.php に記述します。 // Contact Form 7 スパムメール対策（本文に日本語が含まれていない場合はエラーを返す） function wpcf7_validate_spam_message( $result, $tag ) { $value = str_replace(array(PHP_EOL,' '), '', esc_attr($_POST['your-message'])); if (!empty($value)) { if (pre

DSPy (Image hand-drawn by the author)Currently, building applications using large language models (LLMs) can be not only complex but also fragile. Typical pipelines are often implemented using prompts, which are hand-crafted through trial and error because LLMs are sensitive to how they are prompted. Thus, when you change a piece in your pipeline, such as the LLM or your data, you will likely weak

近年、OpenAIのGPT-4やGoogleのGemini、MetaのLLaMAをはじめとする大規模言語モデル（Large Language Model：LLM）の能力が大幅に向上し、自然言語処理において優れた結果を収めています[1][2][3]。これらのLLMは、膨大な量のテキストデータで学習されており、さまざまな自然言語処理タスクにおいて、タスクに固有なデータを用いてモデルをファインチューニングすることなく、より正確で自然なテキスト生成や、複雑な質問への回答が可能となっています。 LLM-jp-eval[4]およびMT-bench-jp[5]を用いた日本語LLMの評価結果。Nejumi LLMリーダーボード Neoより取得。 大規模言語モデルは近年急速な進歩を遂げていますが、これらの進歩にもかかわらず、裏付けのない情報や矛盾した内容を生成する点においては依然として課題があります。たとえ

はじめに 新規事業部 生成AIチーム 山本です。 ChatGPT（OpenAI API）をはじめとしたAIの言語モデル（Large Language Model：以下、LLM）を使用して、チャットボットを構築するケースが増えています。通常、LLMが学習したときのデータに含まれている内容以外に関する質問には回答ができません。そのため、例えば社内システムに関するチャットボットを作成しようとしても、素のLLMでは質問に対してわからないという回答や異なる知識に基づいた回答が（当然ながら）得られてしまいます。 この問題を解決する方法として、Retrieval Augmented Generation（以下、RAG）という手法がよく使用されます。RAGでは、ユーザからの質問に回答するために必要そうな内容が書かれた文章を検索し、その文章をLLMへの入力（プロンプト）に付け加えて渡すことで、ユーザが欲しい