ougarairin’s diary

技術的なことと読んだ本とV

word マクロ 変更履歴を反映 (複数ファイル)

やりたいこと

複数のドキュメントを読み込み, 変更履歴のすべての変更を反映させたい

方針

【前提条件】

対象となるファイルパスはあらかじめ取得済みとする

【方針】

  1. 対象となるファイルパスを読み込み
  2. ドキュメントを開く
  3. 変更履歴を反映
  4. ドキュメントを保存
  5. ドキュメントを閉じる
  6. 2-5 を対象のファイルだけ行う

実装

Sub AcceptAll()
    
    Dim str As String
    Dim arr As Variant
    Dim arrs As Variant
    Dim doc As Document

    str = ActiveDocument.StoryRanges(wdMainTextStory).Text
    arrs = Split(str, vbCr)
    
    For Each arr In arrs
        Set doc = Documents.Open(arr)
        doc.Revisions.AcceptAll
        doc.Save
        doc.Close
    Next
    
End Sub

実行方法

  1. 上記で実装したマクロを保存する
  2. 対象のファイルパスをマクロを保存したドキュメントに張り付ける
  3. 実装したマクロを実行する

注意点

オブジェクト型の変数は設定されていません (エラー 91) が出る
とはいえ目的は果たされていたので現状無視

参考

結局Vって休まないよね

2, 3年前 同人作家さんやボカロPさんが早くして亡くなるケースが続いたことがあった(気がする)

原因は睡眠不足, 生活習慣の乱れ, etc...

さてこれは対岸の火事ではなく, V界隈にも起きうることである.(もはや渦中といっても過言ではない)

問題は, 「じゃあ休め」で済まないことにあったりする.

  1. コロナ禍において自粛をさせることが難しかったように, 配信を自粛させることはかなり難しい. 実際Youtubeの仕様上, 投稿頻度は高いほうがよいと言われている. おまけに今V界隈はレッドオーシャンなわけで, 忘れられたら死とも言われているわけで.

  2. じゃあ法的に止めてしまえばいいじゃない. という発想は, そもそも多くは個人事業主という現実によって崩壊する. つまり, 労働基準法は効かないことの方が多い. 労働時間は個人の裁量によって任される.

  3. そして最大の問題. その配信を労働と考えていない, どちらかというと趣味に近い扱いをとる方が多い点. こうなると外部の人が止めることは筋違いとなる.

以上をまとめると, 単純に休めば? では大概Vは休まない.

そして個人的には, 5年後, 10年後 本気で死人が出るのではと思っている.

適度に完全オフの日が取れているといいなと思いつつ, それはただのお節介だなと思ってもいる.

Virtual to LIVE からみるバーチャルユーチューバー

文章 バーチャルユーチューバー

少し前から書こうと思っていた何か

  • 0. 事前宣告
  • 1. 序論
  • 2. 本論
    • 2.1. What is Virtual
      • 2.1.1. 辞書的な意味としてのvirtual
      • 2.1.2. バーチャルユーチューバーとしての virtual
    • 2.2. What is LIVE
    • 2.3. Virtual to LIVE
  • 3. 考察
  • 4. 拡張
  • あとがき
続きを読む

fizz buzz by deep learning

prog 機械学習 
# GPU が使用できる場合(特になくてもOKのはず)
!pip install tensorflow-gpu

import numpy as np

def fizz_buzz(x):
    """fizz buzz の結果を返す関数.

    >> print(fizz_buzz(np.arange(1, 16, 1)))
    ['1' '2' 'Fizz' '4' 'Buzz' 'Fizz' '7' '8' 'Fizz' 'Buzz' '11' 'Fizz' '13'
    '14' 'FizzBuzz']

    Args:
        x(ndarray): fizz buzz 問題の対象
                    numpy配列のtypeはint を想定
                    この配列の次元数は問わない
                    また, 値は連続値である必要はない.
                    負の値の場合, pythonの% 演算結果に従う(エラー等は発生しない)
    Return:
        result(ndarray): fizz buzz の結果を格納した numpy配列(dtype=str)
    """
    result = x.astype("str")
    result[x % 3 == 0] = "Fizz"
    result[x % 5 == 0] = "Buzz"
    result[x % 15 == 0] = "FizzBuzz"
    return result

# test fizz_buzz
print(fizz_buzz(np.arange(1, 16, 1)))
print(fizz_buzz(np.arange(100, 200).reshape(10, 10)))

['1' '2' 'Fizz' '4' 'Buzz' 'Fizz' '7' '8' 'Fizz' 'Buzz' '11' 'Fizz' '13'
 '14' 'FizzBuzz']
[['Buzz' '101' 'Fizz' '103' '104' 'FizzBuzz' '106' '107' 'Fizz' '109']
 ['Buzz' 'Fizz' '112' '113' 'Fizz' 'Buzz' '116' 'Fizz' '118' '119']
 ['FizzBuzz' '121' '122' 'Fizz' '124' 'Buzz' 'Fizz' '127' '128' 'Fizz']
 ['Buzz' '131' 'Fizz' '133' '134' 'FizzBuzz' '136' '137' 'Fizz' '139']
 ['Buzz' 'Fizz' '142' '143' 'Fizz' 'Buzz' '146' 'Fizz' '148' '149']
 ['FizzBuzz' '151' '152' 'Fizz' '154' 'Buzz' 'Fizz' '157' '158' 'Fizz']
 ['Buzz' '161' 'Fizz' '163' '164' 'FizzBuzz' '166' '167' 'Fizz' '169']
 ['Buzz' 'Fizz' '172' '173' 'Fizz' 'Buzz' '176' 'Fizz' '178' '179']
 ['FizzBuzz' '181' '182' 'Fizz' '184' 'Buzz' 'Fizz' '187' '188' 'Fizz']
 ['Buzz' '191' 'Fizz' '193' '194' 'FizzBuzz' '196' '197' 'Fizz' '199']]

def to_class_indices(x, class_indices):
    """fizz buzz の結果をクラスインデックスに変換する関数

    >> class_indices = dict(zip(("Fizz", "Buzz", "FizzBuzz", "Num"), range(4)))
    >> x = np.arange(1, 16, 1)
    >> x = fizz_buzz(x)
    >> x = to_class_indices(x, class_indices=class_indices)
    >> print(x)
    [3 3 0 3 1 0 3 3 0 1 3 0 3 3 2]

    Args:
        x(ndarray): fizz buzz の結果を格納したnumpy配列(dtype=str)
                    fizz_buzz(x)の戻り値を想定
        class_indices(dict): クラス名からクラスインデックスへのマッピングを含む辞書
                             ただし, クラス"Num" は最も大きいクラスインデックスにすること
    
    Returns:
        result(ndarray): クラスインデックスを格納したnumpy配列(dtype=int)
    """
    result = np.zeros_like(x, dtype="int") + 3 # Num
    for k, v in list(class_indices.items())[:-1]:
        result[x == k] = v
    return result

# test to_class_indices
class_indices = dict(zip(("Fizz", "Buzz", "FizzBuzz", "Num"), range(4)))
x = np.arange(1, 16, 1)
x = fizz_buzz(x)
x = to_class_indices(x, class_indices=class_indices)
print(x)

[3 3 0 3 1 0 3 3 0 1 3 0 3 3 2]

def to_str(x, class_indices, num_array=None):
    result = (np.zeros_like(x, dtype="int") - 1).astype("str")
    if num_array is None:
        num_array = np.arange(1, x.size + 1, 1)
    for k, v in list(class_indices.items())[:-1]:
        result[x == v] = k
    result[result == "-1"] = num_array[result == "-1"]
    return result

def binary_encode(x, num_digits=None):
    x_size = x.size
    if num_digits is None:
        num_digits = len(format(np.max(x), "b"))
    result = np.zeros((x_size, num_digits), dtype="int")
    for idx in range(num_digits):
        d = num_digits - idx - 1
        result[:, d] = x >> idx & 1
    return result

from tensorflow.keras.utils import to_categorical

class_indices = dict(zip(("Fizz", "Buzz", "FizzBuzz", "Num"), range(4)))
data = np.arange(1, 10001, 1)
x = binary_encode(data)
print(x.shape)
y = fizz_buzz(data)
y = to_class_indices(y, class_indices)
y = to_categorical(y)
print(y.shape)
x_test = x[:100]
y_test = y[:100]
x_train = x[100:9000]
y_train = y[100:9000]
x_val = x[9000:]
y_val = y[9000:]

(10000, 14)
(10000, 4)

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

model = Sequential()
model.add(Dense(1000, input_dim=x.shape[1], activation="relu"))
model.add(Dense(100, activation="relu"))
model.add(Dense(4, activation="softmax"))
model.compile(
    loss="categorical_crossentropy",
    optimizer=Adam(lr=0.01),
    metrics=["accuracy"]
)
model.summary()
n_epoch = 200
history = model.fit(
    x_train,
    y_train,
    batch_size=128,
    epochs=n_epoch,
    validation_data=(x_val, y_val),
    verbose=2
)
score = model.evaluate(x_test, y_test, verbose=0)
print("Test loss:", score[0])
print("Test accuracy:", score[1])
p = model.predict_classes(x_test)
print(to_str(p, class_indices))

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 1000)              15000     
_________________________________________________________________
dense_1 (Dense)              (None, 100)               100100    
_________________________________________________________________
dense_2 (Dense)              (None, 4)                 404       
=================================================================
Total params: 115,504
Trainable params: 115,504
Non-trainable params: 0
_________________________________________________________________
Train on 8900 samples, validate on 1000 samples
Epoch 1/200
8900/8900 - 1s - loss: 1.1677 - accuracy: 0.5188 - val_loss: 1.1420 - val_accuracy: 0.5330
Epoch 2/200
8900/8900 - 0s - loss: 1.1442 - accuracy: 0.5334 - val_loss: 1.1420 - val_accuracy: 0.5330
...
Epoch 198/200
8900/8900 - 0s - loss: 1.1674e-04 - accuracy: 1.0000 - val_loss: 0.5460 - val_accuracy: 0.9320
Epoch 199/200
8900/8900 - 0s - loss: 1.1218e-04 - accuracy: 1.0000 - val_loss: 0.5280 - val_accuracy: 0.9330
Epoch 200/200
8900/8900 - 0s - loss: 1.0888e-04 - accuracy: 1.0000 - val_loss: 0.5399 - val_accuracy: 0.9320
Test loss: 0.03889203814440407
Test accuracy: 0.99
['1' '2' 'Fizz' '4' 'Buzz' 'Fizz' '7' '8' 'Fizz' 'Buzz' '11' 'Fizz' '13'
 '14' 'FizzBuzz' '16' '17' 'Fizz' '19' 'Buzz' 'Fizz' '22' '23' 'Fizz' '25'
 '26' 'Fizz' '28' '29' 'FizzBuzz' '31' '32' 'Fizz' '34' 'Buzz' 'Fizz' '37'
 '38' 'Fizz' 'Buzz' '41' 'Fizz' '43' '44' 'FizzBuzz' '46' '47' 'Fizz' '49'
 'Buzz' 'Fizz' '52' '53' 'Fizz' 'Buzz' '56' 'Fizz' '58' '59' 'FizzBuzz'
 '61' '62' 'Fizz' '64' 'Buzz' 'Fizz' '67' '68' 'Fizz' 'Buzz' '71' 'Fizz'
 '73' '74' 'FizzBuzz' '76' '77' 'Fizz' '79' 'Buzz' 'Fizz' '82' '83' 'Fizz'
 'Buzz' '86' 'Fizz' '88' '89' 'FizzBuzz' '91' '92' 'Fizz' '94' 'Buzz'
 'Fizz' '97' '98' 'Fizz' 'Buzz']

import matplotlib.pyplot as plt
%matplotlib inline

# data
x = np.arange(1, n_epoch+1)
train_acc = history.history['accuracy']
train_loss = history.history['loss']
val_acc = history.history['val_accuracy']
val_loss = history.history['val_loss']

# plot
fig = plt.figure(figsize=(6, 8))
# acc
ax1 = fig.add_subplot(2, 1, 1)
ax1.plot(x, train_acc, linestyle="-", label="train")
ax1.plot(x, val_acc, linestyle=":", label="validation")
ax1.set_xlabel("Epochs")
ax1.set_ylabel("Accuracy")
ax1.set_title("Accuracy")
ax1.legend()
# loss
ax2 = fig.add_subplot(2, 1, 2)
ax2.plot(x, train_loss, linestyle="-", label="train")
ax2.plot(x, val_loss, linestyle=":", label="validation")
ax2.set_xlabel("Epochs")
ax2.set_ylabel("Loss")
ax2.set_title("Loss")
ax2.legend()

# show
plt.tight_layout()
plt.show()

f:id:ougarairin:20200628125302p:plain
acc loss

model.save("fizz_buzz.h5")

from tensorflow.keras.models import load_model

model = load_model("fizz_buzz.h5")
data = np.arange(1, 9000, 1)
x = binary_encode(data, 14)
p = model.predict_classes(x)
p = to_str(p, class_indices, data)
print(p)
y = fizz_buzz(data).astype("str")
acc = np.sum(y == p) / y.size
print("acc:", acc)

['1' '2' 'Fizz' ... 'Fizz' '8998' '8999']
acc: 0.999888876541838