Windows10設定（sublime text 3，bashrc，mintty）
今回は，Sublime Text 3，bash，minttyの簡単な設定を記します．
① テキストエディタをインストール
② テキストエディタを用いて設定ファイル
（.bashrc，.bash_profile，.minttyrc）を作成・編集する
以上を行うことが目的です．
Sublime Text 3のダウンロードとインストール
Sublime Text 3はテキストエディタで使いやすいので今はこれを使っています．
なお，OS XのほうではEmacsを使っていますがそちらもこれに変えるかもしれません．
下記サイトより日本語化までできますので，詳細説明は譲ります．
『初心者向け』 Sublime Text 3 導入と日本語化について - NAVER まとめ
上記にしたがってエディタをインストールしたのち，最低限次のパッケージがあるといいでしょう．
・Japanize
...日本語化パッケージ
・ConvertToUTF8
...文字コードをUTF-8に変換してくれるパッケージ
その他のテーマなど，詳しい設定をする機会は改めて設けます．
Sublime Text 3をMinttyから起動する
Sublime Text 3の実行ファイルが下記にあるとして説明を続けます．
C:\Program Files\Sublime Text 3\sublime_text.exe
Minttyを起動後，ホームディレクトリにcommand用のディレクトリを作成します．
このディレクトリにSublime Text 3を起動するコマンド subl を作ることにします．
$ mkdir command
まずは，普通にSublime Text3を起動し，sublという名前のファイルを新規作成します．
ファイルの内容は次のようにして，commandディレクトリの中に置きます．
#! /bin/sh /c/Program\ Files/Sublime\ Text\ 3/sublime_text $1 &
これで，sublと打てばテキストエディタが起動しますが，現時点ではそれはこのディレクトリ内にいるときだけです．
したがって，次はどこでこのコマンドを打っても起動するようにPATHを通します．
そのために，ホームディレクトリに.bashrc，.bash_profileという設定ファイルを作成します，
.bashrcの作成
Mintty起動後，次のように.bashrcを作成します．
$ ~/command/subl ~/.bashrc
.bashrcの中身は次のようにします．
#--- PS1 export PS1="\033[32m\]\u@\h \[\033[33m\W\033[0m\] $ " #--- PATH4command export PATH=$HOME/command:$PATH #--- alias alias cdd='cd $HOME/Desktop' alias ls='ls --show-control-chars --color=auto'
上記ファイルを読み込むことでsublコマンドが使えるようになります．ついでにaliasの設定をしています．
$ source ~/.bashrc
毎回読み込むためのコマンドを打つのは面倒なので，Mintty起動時に読み込んでくれるように，つぎは.bash_profileを作成します．
.bash_profileの作成
ホームディレクトリ以下に作成します．
$ subl ~/.bash_profile
中身は次のとおりです．
# .bash_profile
# source .bashrc
if [ -f ~/.bashrc ]; then
. ~/.bashrc
fiこれでMintty初回起動時には設定ファイルが読み込まれるようになります．
最後にMinttyの設定をして終わります．
.minttyrcの作成
ホームディレクトリに作成します．
$ subl ~/.minttyrc
私の場合は中身は次のように設定しました．
BoldAsFont=yes Locale=ja_JP Columns=90 Rows=30 Font=Consolas FontHeight=10 BoldAsColour=yes Transparency=high OpaqueWhenFocused=no CursorType=block CursorColour=255,255,0 IMECursorColour=255,0,0 ForegroundColour=243,243,243 Term=xterm-256color BackgroundColour=0,0,0
Windows10設定（MinGW，Mintty）
先日はChocolateyの導入について簡単に示しましたが，結局筆者はプログラミング環境をMinGW（Minimalist GNU for Windows）とMinttyを用いて整えています。
Windowsで使用しているテキストエディタはSublime Text 3ですが，
それはまた後日。
MinGWのダウンロードとインストール
MinGWを下記よりmingw-get-setup.exeをダウンロードしてきて，
インストールを開始しましょう。sourceforge.net
インストールまでの詳しい流れは下記サイトが分かりやすかったので，下記に譲ります。
MinGW(gcc) の Windows へのインストールと使い方 | プログラマーズ雑記帳
なお，パッケージとしては，私はC，C++，Fortran，Objective-Cコンパイラーを入れています。数値計算等チャレンジしてみたい方は是非Fortranコンパイラ（gfortran）を入れておくと良いかもしれません。
環境変数の設定
ここではCドライブ直下にMinGWをインストールしたとして説明を書きます。要は下記のようにMinGWというフォルダが存在する状態です。
C:\MinGW
[ システム ] → [ システムの詳細設定 ] → 詳細設定タブ下部の [ 環境変数 ] より，PATHという変数名の環境変数を新規作成します。
・変数名： PATH ・変数値： C:\MinGW\bin;C:\MinGW\msys\1.0\bin;
MinGWをインストールしたディレクトリをよく確認して環境変数を作成ください。
ここが適切に設定できていないと，以降のコマンドを実行時，command not found.となるでしょう。
Minttyのインストール
環境変数を設定後，Minttyをインストールします。下記場所のbatファイルをダブルクリックして，MinGW Shellを起動します。
C:\MinGW\msys\1.0\msys.bat
起動後，環境変数が適切に設定されていれば，mingw-getコマンドを使用できますので，更新してアップデートしたのち，minttyを入れてしまいましょう。
$ mingw-get update $ mingw-get upgrade $ mingw-get install mintty
mintty.exe は C:\MinGW\msys\1.0\bin 以下にインストールされていると思います。心配であればコマンドプロンプト等で確認してみましょう。
> where mintty.exe
mintty.exeの場所を確認したのち，ショートカットを作りましょう。
仮にデスクトップ上に作るとすると，
[ 右クリック ] → [ 新規作成 ] → [ ショートカット ]
項目の場所を入力してください（T）：
C:\MinGW\msys\1.0\bin\mintty.exe /bin/env HOME=/c/Users/(あなたのユーザー名)
/bin/bash --login
上記のようにショートカットを作成ください。上記の改行部には半角スペースをお忘れずに。
さて，これでMinttyを起動できるようになりました。
lsコマンドで日本語が文字化けしますが，これは文字コードが原因であり，下記オプションで解決します。
$ ls --show-control-chars
しかしながら，上記コマンドをわざわざ毎回入力したいでしょうか？ ls と打てば上記を実行したことにしたいですよね。
実は，そういった設定は alias と呼ばれるものを用いれば可能で，次回は下記を掲載予定です。
Windows10設定（Chocolatey）
パッケージ管理システム Chocolateyの準備
Windowsでのパッケージ管理システムとして，Cholocateyを使用するときの設定をまとめます。
・OS X：Macports，Homebrew
・Linux：apt-getコマンド
など，それぞれのOSでパッケージ管理システムがあります。
今回は，Cygwin等異なるOS環境を導入して，プログラミング環境を作ることを目的としません。
まずは，コマンドプロンプトを管理者権限で実行して，下記のコマンドを実行します。
実行ポリシーには注意してください。改行部分は間に半角スペースをお忘れずに。
> @powershell -NoProfile -ExecutionPolicy RemoteSigned -Command
"iex ((new-object net.webclient).DownloadString('https://chocolatey.org/install.ps1'))"
&& SET PATH=%PATH%;%ALLUSERSPROFILE%\chocolatey\bin正常にインストールされれば，下記コマンドでインストールされているか確認できます。
> clist -lo
無事インストールされたことを確認したら，念のため，Chocolatey用の環境変数をシステムに確実に反映させたいので，再起動しましょう。
下記要領でGUIがインストールできますが，使い勝手が悪すぎたので，お勧めしません。
さて，再起動が完了したところで，CUIでの操作に慣れてない方は，せっかくなのでGUIを入れてみましょう。CUIに慣れてる方は，下記にChocolateyで使用できるコマンドがすべて載ってますのでご参考に。github.com
先ほどと同様に，コマンドプロンプトを管理者権限で実行して，下記コマンドによりGUIをインストールします。
> cinst chocolateygui
途中，スクリプトを走らせていいか聞かれる場合がありますが，yesと打ってEnterを押しインストールを続行しましょう。
無事インストールされたら，Windows10では画像のように最近追加されたものの所にアイコンが出ますので，ショートカットを作成するか，タスクバーにでもピン留めしておきます。
深層学習 Day 1
やっとディープラーニング（深層学習）について取り組めます。
小学生の頃に完全なる人工知能を夢見て，色々想像してたのが懐かしいです。
実行環境構築
OS X上かつMacportsが慣れているのでその条件で構築します。
以下，Macportsがインストールされていることを前提に始めます。
インストールするもののパッケージ名は次の通りです。
・python34 @3.4.3_5
・py34-chainer @1.1.1_0
... A flexible framework of neural networks
・py34-six @1.9.0_0
... A Python 2 and 3 compatibility library
・py34-pip @7.1.2_0
... A tool for installing and managing Python packages
まずは，python34のインストールから。
$ sudo -E port install python34
インストール後，python34を使えるようにします。
念のため，バージョンがpython34のものになっているかも確認しておきましょう。
$ sudo -E port select --set python python34 $ python --version
次は，残り３つをインストールしていきます。
$ sudo -E port install py34-chainer $ sudo -E port install py34-six $ sudo -E port install py34-pip
最後に，
先ほどインストールしたchainerのバージョン@1.1.1_0ですが，
Macportsのツリーでは最新版ではないので，
pipコマンドを使用して最新版にしちゃいましょう。
$ pip-3.4 install --upgrade chainer
これにて，環境設定は完了です。
簡単なサンプル
Day 1 ということで私もディープラーニングに興味を持ち，勉強を開始したばかりです。
高度なことは全くまだできませんので，ご了承ください。短いサンプルを示します。
このサンプルは，階層型ニューラルネット（Hierarchical Neural Network）ですが，深層化しているわけではないため，深層学習とは呼べないと理解しています。（間違ってたらコメントで教えてください）
#!/usr/bin/env python import numpy as np import chainer.functions as F from chainer import Variable, FunctionSet, optimizers, gradient_check # 入力の設定 x = Variable(np.array([[1, 2, 3]], dtype=np.float32)) # 入力に対する結合の重みの設定 w = F.Linear(3, 3) # 確率的勾配降下法(Stochastic Gradient Descent Method) # を用いた誤差逆伝播学習を使用する optimizer = optimizers.SGD() optimizer.setup(w) # 正解出力の設定 t = Variable(np.array([[4, 13, 3.4]], dtype=np.float32)) # 学習回数(反復回数)の設定 itrstep = 100 # 学習開始 for i in range(0, itrstep): optimizer.zero_grads() # 入力及び結合重みから出力を計算する y = w(x) # 出力をコマンドラインに表示 print(y.data) # 平均二乗誤差の算出 loss = F.mean_squared_error(y, t) # 結合重みの修正 loss.backward() optimizer.update() # 次の反復ステップへ
続いて実行結果。
[[-0.26077998 1.17885709 0.33666974]] [[ 0.16529801 2.36097169 0.64300281]] [[ 0.54876822 3.42487407 0.91870254]] [[ 0.89389133 4.38238668 1.16683233]] [[ 1.20450222 5.24414778 1.39014888]] [[ 1.48405206 6.01973343 1.59113419]] [[ 1.73564684 6.71775961 1.77202058]] [[ 1.96208215 7.34598398 1.93481874]] [[ 2.165874 7.91138554 2.08133674]] [[ 2.34928656 8.42024708 2.21320319]] [[ 2.51435804 8.87822247 2.33188272]] [[ 2.66292191 9.29039955 2.43869448]] [[ 2.79662991 9.66135979 2.53482509]] [[ 2.91696692 9.995224 2.62134266]] [[ 3.02527046 10.29570198 2.69920826]] [[ 3.12274337 10.56613159 2.76928735]] [[ 3.21046925 10.80951881 2.8323586 ]] [[ 3.28942204 11.02856731 2.88912296]] [[ 3.36047983 11.22570992 2.94021058]] [[ 3.4244318 11.40314007 2.98618984]] [[ 3.48198867 11.5628252 3.02757072]] [[ 3.53378987 11.70654297 3.06481361]] [[ 3.58041096 11.83588791 3.09833217]] [[ 3.62236977 11.95229912 3.12849903]] [[ 3.66013288 12.05706978 3.15564919]] [[ 3.69411945 12.15136337 3.18008423]] [[ 3.72470737 12.23622704 3.20207596]] [[ 3.75223708 12.31260395 3.22186828]] [[ 3.77701306 12.3813448 3.23968124]] [[ 3.79931164 12.44320965 3.25571346]] [[ 3.81938052 12.49888802 3.2701416 ]] [[ 3.8374424 12.54899979 3.28312778]] [[ 3.85369825 12.5941 3.29481506]] [[ 3.86832833 12.63469028 3.30533338]] [[ 3.88149571 12.67122078 3.31480026]] [[ 3.89334631 12.7040987 3.32332015]] [[ 3.90401125 12.7336874 3.33098793]] [[ 3.91361022 12.76031971 3.33788943]] [[ 3.92224932 12.78428841 3.34410071]] [[ 3.93002462 12.80585861 3.34969044]] [[ 3.93702173 12.82527256 3.35472131]] [[ 3.94331956 12.84274578 3.35924935]] [[ 3.94898772 12.85847092 3.36332417]] [[ 3.95408916 12.87262535 3.366992 ]] [[ 3.95867991 12.88536167 3.37029266]] [[ 3.96281195 12.89682484 3.37326336]] [[ 3.9665308 12.90714359 3.37593699]] [[ 3.96987748 12.91642952 3.37834311]] [[ 3.9728899 12.92478561 3.38050914]] [[ 3.97560096 12.93230629 3.38245821]] [[ 3.97804117 12.93907642 3.38421226]] [[ 3.98023701 12.94516945 3.38579082]] [[ 3.98221302 12.95065308 3.38721204]] [[ 3.98399162 12.95558739 3.38849092]] [[ 3.98559284 12.96002769 3.389642 ]] [[ 3.98703313 12.96402645 3.39067769]] [[ 3.98832989 12.96762276 3.39161015]] [[ 3.98949695 12.97086239 3.3924489 ]] [[ 3.99054718 12.97377396 3.39320397]] [[ 3.99149251 12.97639656 3.39388347]] [[ 3.99234343 12.97875881 3.39449525]] [[ 3.99310899 12.98088169 3.39504552]] [[ 3.99379826 12.98279381 3.39554119]] [[ 3.99441791 12.98451328 3.39598703]] [[ 3.99497652 12.98606205 3.39638829]] [[ 3.99547887 12.98745632 3.3967495 ]] [[ 3.99593067 12.9887104 3.3970747 ]] [[ 3.99633789 12.98983955 3.39736676]] [[ 3.9967041 12.99085426 3.39763045]] [[ 3.9970336 12.99176979 3.3978672 ]] [[ 3.99733019 12.99259186 3.39808059]] [[ 3.99759698 12.99333382 3.39827251]] [[ 3.99783754 12.99399948 3.39844513]] [[ 3.99805379 12.9946003 3.39860058]] [[ 3.9982481 12.99513912 3.39874077]] [[ 3.99842334 12.9956255 3.39886642]] [[ 3.99858141 12.99606323 3.3989799 ]] [[ 3.99872303 12.99645615 3.39908195]] [[ 3.99885058 12.99681091 3.39917397]] [[ 3.9989655 12.99713039 3.39925623]] [[ 3.99906921 12.9974165 3.39933085]] [[ 3.9991622 12.9976759 3.39939761]] [[ 3.99924588 12.99790955 3.39945793]] [[ 3.99932098 12.99811745 3.39951205]] [[ 3.99938893 12.99830532 3.39956093]] [[ 3.99945021 12.99847507 3.3996048 ]] [[ 3.99950504 12.99862862 3.39964414]] [[ 3.99955463 12.99876404 3.3996799 ]] [[ 3.99959898 12.99888802 3.39971185]] [[ 3.99963951 12.9989996 3.3997407 ]] [[ 3.99967527 12.99909973 3.39976645]] [[ 3.99970794 12.99919033 3.39979005]] [[ 3.99973702 12.99927139 3.39981103]] [[ 3.99976349 12.99934387 3.39982986]] [[ 3.99978709 12.99940872 3.39984679]] [[ 3.99980807 12.9994688 3.39986205]] [[ 3.99982715 12.99952126 3.39987588]] [[ 3.99984479 12.99956989 3.39988852]] [[ 3.99985981 12.99961281 3.39989972]] [[ 3.99987388 12.99965 3.39990973]]
以上のように，学習を繰り返す（結合重みをあるアルゴリズムに従って反復して修正する）ことで，設定した正解出力に近づいていることがわかりました。
にしてもChainerは非常に使いやすいですね，こういったフレームワークの良さを実感しました。
誤差逆伝播法の詳細については後日まとめて，次からは深層学習に入りたいと思います。
