サクサク読めて、
アプリ限定の機能も多数！
アプリで開く
import time import numpy as np from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split import warnings warnings.simplefilter("ignore") from veloxml.tree import RandomForestClassification # from sklearn.ensemble import RandomForestClassifier fit_time_list = [] pred_time_list = [] for i in range(100): # ランダムシード rng = np.random.default_rng() # データ数と特徴量数 num_sam
「Llama.cpp」で「Llama 2」を試したので、まとめました。 ・macOS 13.4.1 ・Windows 11 前回 1. Llama.cpp「Llama.cpp」はC言語で記述されたLLMのランタイムです。「Llama.cpp」の主な目標は、MacBookで4bit量子化を使用してLLAMAモデルを実行することです。 特徴は、次のとおりです。 ・依存関係のないプレーンなC/C++実装 ・Appleシリコンファースト (ARM NEON、Accelerate、Metalを介して最適化) ・x86アーキテクチャのAVX、AVX2、AVX512のサポート ・Mixed F16/F32精度 ・4bit、5bit、8bit量子化サポート ・BLASでOpenBLAS/AppleBLAS/ARM Performance Lib/ATLAS/BLIS/Intel MKL/NVHPC/AC
「rinna.cpp」を試したのでまとめました。 ・rinna/japanese-gpt-neox-3.6b-instruction-ppo ・macOS 13.4.1 【追加情報】「redpajama.cpp」はメンテされてないので、今後は @syoyo さん版使うのが良さそうです。 redpajama.cpp はなんかもうメンテされていないから, rinna を llama.cpp で動かす時はこちらの fork を使うといいよ☺️ (近日中にjapanese-normalizer-cpp 取り込んで日本語正規化対応する!) https://t.co/M6LK0OZlm8https://t.co/ZAfp7YJjXr — syoyo.eth 🌸 レイトラ ® 🐯 5 周年 🎉 (@syoyo) July 14,2023 1. rinna.cpp「rinna.cpp」は、「ll
#if _DEBUG #pragma comment(lib, "opencv_world470d.lib") #else #pragma comment(lib, "opencv_world470.lib") #endif #include <torch/torch.h> #include <torch/script.h> #include <iostream> #include <thread> #include <memory> using namespace std; #include <opencv2/opencv.hpp> using namespace cv; #include "opencv2/highgui/highgui.hpp" //動画を表示する際に必要 constexpr int TIME_TO_SLEEP = 1000; int main(int argc, c
CTranslate2 is aC++ andPython library for efficient inference with Transformer models. The project implements a custom runtime that applies many performance optimizationtechniques such as weights quantization, layers fusion, batch reordering,etc., to accelerate and reduce the memoryusage of Transformer models onCPU andGPU. The following model types are currently supported: Encoder-decoder m
Stable: v1.7.6 / Roadmap High-performance inference ofOpenAI'sWhisper automatic speech recognition (ASR) model: Plain C/C++ implementation without dependenciesApple Silicon first-class citizen - optimized via ARM NEON, Accelerate framework, Metal and Core ML AVX intrinsics support for x86 architectures VSX intrinsics support for POWER architectures Mixed F16 / F32 precision Integer quantization
この記事は「自動運転システムをエッジデバイスに組み込むための技術」を3回に分けて紹介するTURINGのテックブログ連載の第1回の記事「C++でOpenCV完全入門！」です。 第2回の「OpenCVをNPPにした結果→10倍高速に！」、第3回の「詳解V4L2 (video forlinux 2)」もぜひご覧ください！ はじめに こんにちは。完全自動運転EVを開発するベンチャー企業、TURING株式会社でインターンをしている東大工学部3年の井上信多郎です。 我々人類は、車を運転するにあたって多くの情報を目から取り入れています。目から取り入れた情報を元に、アクセル・ブレーキ・ハンドルを操作しています。 自動運転の場合、その目に相当するセンサがカメラであり、カメラから得た情報を元に車を運転することになります。カメラから得る情報とは、ずばり画像です。画像の中から信号、標識、前方車両などの必要なもの
はじめにC++ ヘッダオンリーのライブラリが大好きなので、しばしば色々なライブラリを探索する趣味があるのですが、frugally-deep というライブラリを見つけたので試してみました。 frugally-deep とは モダンでピュアなC++ で書かれた小さなヘッダーのみのライブラリ 非常に簡単に統合して使うことができる FunctionalPlus、Eigen、json にのみ依存しており、これらもヘッダーオンリー 逐次モデルだけでなく、関数型API で作成された、より複雑なトポロジー計算グラフの推論（model.predict）もサポート TensorFlow の(小さな)サブセット、つまり予測をサポートするために必要な操作を再実装している TensorFlow をリンクするよりもはるかに小さいバイナリサイズ 32ビットの実行ファイルにコンパイルしても動作 システムの中で最も強
ホーム 1.C++ を始める 2. 基本構文 3. コンテナ 4. ファイル分割とスコープ 5. ストリーム操作 6. メモリの管理 7. クラス 8. キャスト 9. テンプレート 10. エラー処理 11. ビルドとライブラリ 12. メモリレイアウト 単体テスト デバッグ ビルド自動化 付録 このサイトはC++ について説明した学習サイトです。本書を通じてC++ の開発環境や構文・単体テストの書き方などが 一通り学べるようになっています。 対象¶C++ を初めて学ぶ人 プログラム言語を 1 つ以上経験したことのある人 関数やクラス・オブジェクト指向に対する知識をある程度前提にします。C++ の特徴¶C++ は ビャーネ・ストロヴストルップ により開発されたプログラミング言語です。C++ には主に次のような特徴があります。 高パフォーマンス メモリ使用量が少ない 柔軟性
This project is not maintained byGoogle engineers anymore at this point. Orbit, the Open Runtime Binary Instrumentation Tool is a standalone native application profiler forWindows andLinux.It supports native applications written in languages such as C,C++,Rust, orGo.Its main purpose is to help developers identify the performance bottlenecks of a complex application. Orbit can be also used
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 概要 前回Pythonのscikit-learn Ramdam Forestを使った株価予想を行った。同じ手法で株価予想を行うアプリケーションを、いつも使いのC++Builderで開発して、より手軽に株価予想を行えるようにした。Pythonに比べて高速に株価計算が行えるようになった。開発したアプリケーションは、下記に置いているので、お試しください。 G-Chart ver1.00 使い方WindowsのPCのみで動作します。ダウンロードしたgchart_v100.zipを適当なフォルダに展開。 gchart.exeを起動 データ更新で
1リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
