2017/10/30

Python - numpy 的使用方法

NumPy Reference

數列生成

>>> np.zeros(5)
#array([ 0.,  0.,  0.,  0.,  0.])

>>> np.ones(5)
#array([ 1.,  1.,  1.,  1.,  1.])

>>> np.arange(5)
#array([0, 1, 2, 3, 4])

更多的數列生成

數列變形

>>> np.arange(12)
#array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> np.arange(12).reshape(2,6)
#array([[ 0,  1,  2,  3,  4,  5],
#       [ 6,  7,  8,  9, 10, 11]])

>>> np.arange(12).reshape(3,4)
#array([[ 0,  1,  2,  3],
#       [ 4,  5,  6,  7],
#       [ 8,  9, 10, 11]])

>>> np.arange(12).reshape(4,3)
#array([[ 0,  1,  2],
#       [ 3,  4,  5],
#       [ 6,  7,  8],
#       [ 9, 10, 11]])

>>> np.arange(12).reshape(6,2)
#array([[ 0,  1],
#       [ 2,  3],
#       [ 4,  5],
#       [ 6,  7],
#       [ 8,  9],
#       [10, 11]])

>>> np.arange(12).reshape(12,1).flatten()
#array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

查看數列形狀

>>> np.arange(12).reshape(1,2,3,2)
#array([[[[ 0,  1],
#         [ 2,  3],
#         [ 4,  5]],
#
#        [[ 6,  7],
#         [ 8,  9],
#         [10, 11]]]])

>>> np.arange(12).reshape(1,2,3,2).shape
#(1, 2, 3, 2)

更多的數列操作

作者： 卡卡米 於 凌晨12:45 0 個回應
標籤：

2017/10/26

Rails - Apartment 的使用方法

簡介

Apartment : https://github.com/influitive/apartment

這個套件的功能是讓你在 rails 可以透過切換 db schema，來存取不同的資料。

在 postgresql 中，預設的 schema 名稱為 public ，而所有的 table 都在 schema 'public' 下。

你可以簡單地把 schema 看成 namespace，在 apartment 中，這被稱為是 tenant。

安裝步驟

請參考 : https://github.com/influitive/apartment

使用方法

在 rails c 環境下

新增 tenant

Apartment::Tenant.create('abc')

這個指令會在 schema 'abc' 下複製 public 上的所有表格。所以 tenant 就是具有相同表格的 schema。
在以下的示範，看到 abc 的地方，代表的是要填入你的 schema name。

顯示目前所在的 tenant

Apartment::Tenant.current
# "public"

切換 tenant

Apartment::Tenant.switch!('abc')
Apartment::Tenant.current
# "abc"
Apartment::Tenant.switch!('public')
Apartment::Tenant.current
# "public"

Apartment::Tenant.switch('abc') do
  Apartment::Tenant.current
  # "abc"
end

Apartment::Tenant.current
# "public"

有暫時切換跟永久切換兩種

在 rails db 環境下

列出所有 schema

\dn
#  List of schemas
#  Name  |  Owner   
#--------+----------
# public | postgres
# abc    | etrex
# (2 rows)

顯示目前所在的 schema

SHOW search_path;
#   search_path   
#-----------------
# "$user", public
# (1 row)

切換 schema

SET search_path TO abc;
# SET
SET search_path TO 'abc';
# SET

字串要不要加引號都可以，當 search_path 的值不在 schema 的列表上時不會跳 error，可以想像成連接到一個空的 schema，而這樣並不代表新增了一個 schema。

在 select 的當下使用 schema

SELECT * FROM schema_name.table_name;

關於 excluded_models

在 apartment 提供的功能中有一個功能，這個功能是可以設定在切換 schema 的時候，讓某些表格不要被切換，也就是做成全域的表格。

舉例來說，假設我有兩個 table，是使用以下 code 所生成。

# 這裡是 bash
rails g model a
rails g model b a:references
rails db:migrate

然後我將 B 做成全域的表格

# 這裡是 /config/initializers/apartment.rb 約 18 行的位置
config.excluded_models = %w{ B }

然後建立一個 tenant 'abc' 並且切換過去，在這個環境下做測試

# 這裡是 rails c 環境下
Apartment::Tenant.create('abc')
Apartment::Tenant.switch!('abc')

對 A 做一些事情

A.count
# (3.8ms)  SELECT COUNT(*) FROM "as"
# => 0

對 B 也做一些事情

B.count
# (0.5ms)  SELECT COUNT(*) FROM "public"."bs"
# => 0

在這裡可以看到，當你對 B 進行操作時，其實是會強制加上 "public" 的，也就是說，對於 B ，不管在哪一個 tenant 下，都只會去存取 schema 'public' 下的表格，所以其他的 schema 的表格 bs 應該會都是空的。

嘗試在 tenant 'abc' 下新增資料

a = A.create()
#   (0.2ms)  BEGIN
#  SQL (0.4ms)  INSERT INTO "as" ("created_at", "updated_at") VALUES ($1, $2) RETURNING "id"  [["created_at", "2017-10-25 17:16:22.084365"], ["updated_at", "2017-10-25 17:16:22.084365"]]

b = B.create(a:a)
#   (0.2ms)  BEGIN
#  SQL (1.5ms)  INSERT INTO "public"."bs" ("a_id", "created_at", "updated_at") VALUES ($1, $2, $3) RETURNING "id" [["a_id", 3], ["created_at", "2017-10-25 17:16:24.957753"], ["updated_at", "2017-10-25 17:16:24.957753"]]
#   (0.2ms)  ROLLBACK
#ActiveRecord::InvalidForeignKey: PG::ForeignKeyViolation: ERROR:  insert or update on table "bs" violates foreign #key constraint "fk_rails_ddf8c0c4b5"
#DETAIL:  Key (a_id)=(3) is not present in table "as".
#: INSERT INTO "public"."bs" ("a_id", "created_at", "updated_at") VALUES ($1, $2, $3) RETURNING "id"
# from (irb):31

這時候出大問題了，因為 A 建立在 abc 下，但是 B 建立在 public 下。而 public.bs 有一個外來鍵限制是 a_id 必須要在 public.as 中有出現。

使用 pgAdmin 連進去看，對 dbname/Schemas/public/Tables/bs/Constraints/fkrails_ddf8c04b5 按右鍵選 CREATE Script: 。

會看到生成的 script 內容為:

-- Constraint: fk_rails_ddf8c0c4b5

-- ALTER TABLE public.bs DROP CONSTRAINT fk_rails_ddf8c0c4b5;

ALTER TABLE public.bs
    ADD CONSTRAINT fk_rails_ddf8c0c4b5 FOREIGN KEY (a_id)
    REFERENCES public."as" (id) MATCH SIMPLE
    ON UPDATE NO ACTION
    ON DELETE NO ACTION;

在這裡明確地指出跟 public.bs 有關係的表格是 public.as ，而不是其他 schema 下的 as，但是 Apartment 不處理，所以會出問題。

作者： 卡卡米 於 凌晨12:51 1 個回應
標籤：

2017/10/19

Network debug 方法

linux 環境下

查詢所有 process

ps

輸出

  PID TTY           TIME CMD
21968 ttys000    0:00.16 -bash

查詢 port 3000 被誰占用

lsof -i :3000

輸出

COMMAND   PID  USER   FD   TYPE             DEVICE SIZE/OFF NODE NAME
ruby    20308 etrex   25u  IPv4 0xd000000000000      0t0  TCP *:hbci (LISTEN)

刪除某個 process

kill 20308

強制刪除某個 process

kill -9 20308

參考文件

kill process:https://blog.gtwang.org/linux/linux-kill-killall-xkill/

作者： 卡卡米 於 下午6:16 0 個回應
標籤：

Ruby - RSpec 的使用方法

RSpec 簡介

RSpec 在執行的時候不保證執行順序，每個測試產生的資料不會自動被清除。

新增測試的generator語法：

rails generate rspec:model user

這樣寫會建立一個檔案在 spec/models/user_spec.rb

執行測試的指令是在 rails 專案目錄下輸入以下指令：

# 這裡是 bash

# 執行所有測試
rspec

# 執行某個資料夾下的所有測試
rspec ./spec/models

# 執行某個檔案裡的所有測試
rspec ./spec/models/user_spec.rb

# 執行某個檔案裡的某個測試
rspec ./spec/models/user_spec.rb:8

簡單的範例

require 'rails_helper'

RSpec.describe "規格說明" do
  describe "處於某個狀態下" do
    # 設定狀態變數
    let(:a) { 1 }
    it "should be 1" do
      puts "should be 1"
      expect(a).to eq(1)
    end
  end
end

let 在每次測試裡，第一次存取變數時就會執行對應的程式

require 'rails_helper'

RSpec.describe "規格說明" do
  describe "處於某個狀態下" do
    let(:a) { puts "let a"; 1  }
    it "1" do
      puts "1"
      puts "a=#{a}"
    end
     it "2" do
      puts "2"
      puts "a=#{a}"
      puts "a=#{a}"
      puts "a=#{a}"
    end
  end
end

輸出

1
let a
a=1
.2
let a
a=1
a=1
a=1
.

before 和 after 會在所有測試的執行前後做事

RSpec.describe "規格說明" do
  describe "處於某個狀態下" do
    before { puts "before" }
    after { puts "after" }
    it "1" do
      puts "1"
    end
    it "2" do
      puts "2"
    end
  end
end

執行結果

before
1
after
.before
2
after
.

因為測試對資料庫的操作會互相影響，如果想要確保每個測試都是在資料庫乾淨的狀態下，可以使用 database_cleaner。 

require 'database_cleaner'
...
RSpec.configure do |config|
...
  config.before(:suite) do
    DatabaseCleaner.strategy = :transaction
    DatabaseCleaner.clean_with(:truncation)
  end

  config.around(:each) do |example|
    DatabaseCleaner.cleaning do
      example.run
    end
  end
...
end

其中的 before、around 可以參考官網說明文件：https://relishapp.com/rspec/rspec-core/v/2-13/docs/hooks/before-and-after-hooks#before/after-blocks-defined-in-config-are-run-in-order

如果想要控制 rspec 執行每一個 test 的順序，可以這樣寫：

# 這裡是 bash
rspec --order defined
rspec --seed 1

詳細的介紹可以參考 https://relishapp.com/rspec/rspec-core/docs/command-line/order

如果想要把結果輸出到檔案，可以這樣寫：

# 這裡是 bash
rspec --out result.txt
rspec --format documentation --out result.txt

上面兩行會使檔案內容不同，詳細的介紹可以參考 https://relishapp.com/rspec/rspec-core/v/2-4/docs/command-line/format-option

作者： 卡卡米 於 下午1:19 0 個回應
標籤：

Ruby - debug 方法

查詢繼承關係

File.ancestors
# [File, IO, File::Constants, Enumerable, Object, Kernel, BasicObject]

從物件找方法

# 查 File 的類別方法
File.methods

# 查 File 的實體方法
File.instance_methods

# 查 File 的實體方法
File.new('/').methods

# 取得繼承樹上所有的方法
File.methods(true)

# 只取得屬於 File 的方法
File.methods(false)

從方法找定義

File.method(:read)
# #Method: File(IO).read

IO.method(:read)
# #Method: IO.read

IO.method(:read).source_location
# nil

因為 IO.read 的定義是寫在 c 語言，所以就不顯示了。

參考文件

為什麼File.method(:read)是nil：https://ja.stackoverflow.com/questions/5755/ruby-file-read-%E3%83%A1%E3%82%BD%E3%83%83%E3%83%89%E3%81%AE%E8%AA%AC%E6%98%8E%E3%82%92api%E3%83%89%E3%82%AD%E3%83%A5%E3%83%A1%E3%83%B3%E3%83%88%E3%81%A7%E8%AA%BF%E3%81%B9%E3%81%9F%E3%81%84

作者： 卡卡米 於 上午11:34 0 個回應
標籤：

Python - 電腦字體數字辨識

續前篇:Python - draw text on image and image to numpy array

目標

嘗試建立一個簡單的類神經網路，只針對電腦字體數字 0~9 共 10 張圖片作訓練，訓練資料就是測試資料，在 40 次左右的訓練後正確度可達到 100%。

本文包含

  • keras 的使用
  • keras Model 輸出成圖片

程式碼

import numpy as np
from PIL import Image
from PIL import ImageFont
from PIL import ImageDraw

image_size = (8,13)
font_size = 10
x_train = np.array([])
y_train = np.array([])

for i in range(10):
    # 空白圖片生成
    image = Image.new('L', image_size, 0)

    # 取得繪圖器
    draw = ImageDraw.Draw(image)

    # 字型設定
    # font = ImageFont.truetype("C:/Windows/Fonts/cour.ttf", font_size)
    font = ImageFont.truetype("C:/Windows/Fonts/msjh.ttc", font_size)

    # 關閉反鋸齒
    draw.fontmode = '1'

    # 測量文字尺寸
    text_size = draw.textsize(str(i),font)
    # print('text_size:', text_size)

    # 文字置中
    text_position = ((image_size[0]-text_size[0])//2,(image_size[1]-text_size[1])//2)
    # print('text_position:', text_position)

    # 畫上文字
    draw.text(text_position, str(i), 255, font)

    # 存檔
    image.save(str(i)+'.bmp')

    # 轉成 numpy array
    na = np.array(image.getdata()).reshape(image.size[1], image.size[0])

    # 加入訓練資料
    x_train = np.append(x_train,na)
    y_train = np.append(y_train,i)

import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import RMSprop

# 每次更新時所採用的資料筆數
batch_size = 1
# 總共有幾種數字
num_classes = 10
# 要更新幾次
epochs = 100

# 把資料轉成 model 需要的格式
x_train = x_train.reshape(10, 104)
x_train = x_train.astype('float32')
x_train /= 255
print(x_train.shape[0], 'train samples')

y_train = keras.utils.to_categorical(y_train, num_classes)

# 建立 model
model = Sequential()

# 一層 + softmax
model.add(Dense(num_classes, input_shape=(104,), activation='softmax'))

# ??
model.summary()

# 選擇 loss function 和 optimizer
model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

# 開始訓練
history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_train, y_train))

# 計算分數
score = model.evaluate(x_train, y_train, verbose=0)

print('Test loss:', score[0])
print('Test accuracy:', score[1])

# 儲存 model 至圖片
from keras.utils import plot_model
plot_model(model, to_file='model.png')

輸出

Using TensorFlow backend.
10 train samples
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 10)                1050
=================================================================
Total params: 1,050
Trainable params: 1,050
Non-trainable params: 0
_________________________________________________________________
Train on 10 samples, validate on 10 samples
Epoch 1/100
10/10 [==============================] - ETA: 0s - loss: 2.5473 - acc: 0.0000e+00 - val_loss: 2.4555 - val_acc: 0.1000
Epoch 2/100
10/10 [==============================] - ETA: 0s - loss: 2.4563 - acc: 0.1000 - val_loss: 2.3924 - val_acc: 0.1000
Epoch 3/100
10/10 [==============================] - ETA: 0s - loss: 2.3926 - acc: 0.1000 - val_loss: 2.3334 - val_acc: 0.2000
Epoch 4/100
10/10 [==============================] - ETA: 0s - loss: 2.3336 - acc: 0.2000 - val_loss: 2.2760 - val_acc: 0.2000
Epoch 5/100
10/10 [==============================] - ETA: 0s - loss: 2.2766 - acc: 0.2000 - val_loss: 2.2196 - val_acc: 0.2000
Epoch 6/100
10/10 [==============================] - ETA: 0s - loss: 2.2203 - acc: 0.2000 - val_loss: 2.1636 - val_acc: 0.4000
Epoch 7/100
10/10 [==============================] - ETA: 0s - loss: 2.1640 - acc: 0.4000 - val_loss: 2.1090 - val_acc: 0.5000
Epoch 8/100
10/10 [==============================] - ETA: 0s - loss: 2.1096 - acc: 0.4000 - val_loss: 2.0545 - val_acc: 0.5000
Epoch 9/100
10/10 [==============================] - ETA: 0s - loss: 2.0556 - acc: 0.5000 - val_loss: 2.0013 - val_acc: 0.5000
Epoch 10/100
10/10 [==============================] - ETA: 0s - loss: 2.0023 - acc: 0.5000 - val_loss: 1.9484 - val_acc: 0.5000
Epoch 11/100
10/10 [==============================] - ETA: 0s - loss: 1.9493 - acc: 0.5000 - val_loss: 1.8971 - val_acc: 0.5000
Epoch 12/100
10/10 [==============================] - ETA: 0s - loss: 1.8985 - acc: 0.5000 - val_loss: 1.8453 - val_acc: 0.5000
Epoch 13/100
10/10 [==============================] - ETA: 0s - loss: 1.8464 - acc: 0.5000 - val_loss: 1.7949 - val_acc: 0.5000
Epoch 14/100
10/10 [==============================] - ETA: 0s - loss: 1.7962 - acc: 0.5000 - val_loss: 1.7448 - val_acc: 0.5000
Epoch 15/100
10/10 [==============================] - ETA: 0s - loss: 1.7464 - acc: 0.5000 - val_loss: 1.6958 - val_acc: 0.5000
Epoch 16/100
10/10 [==============================] - ETA: 0s - loss: 1.6971 - acc: 0.5000 - val_loss: 1.6471 - val_acc: 0.5000
Epoch 17/100
10/10 [==============================] - ETA: 0s - loss: 1.6486 - acc: 0.5000 - val_loss: 1.5994 - val_acc: 0.5000
Epoch 18/100
10/10 [==============================] - ETA: 0s - loss: 1.6007 - acc: 0.5000 - val_loss: 1.5520 - val_acc: 0.7000
Epoch 19/100
10/10 [==============================] - ETA: 0s - loss: 1.5538 - acc: 0.7000 - val_loss: 1.5064 - val_acc: 0.7000
Epoch 20/100
10/10 [==============================] - ETA: 0s - loss: 1.5078 - acc: 0.7000 - val_loss: 1.4612 - val_acc: 0.7000
Epoch 21/100
10/10 [==============================] - ETA: 0s - loss: 1.4629 - acc: 0.7000 - val_loss: 1.4168 - val_acc: 0.7000
Epoch 22/100
10/10 [==============================] - ETA: 0s - loss: 1.4190 - acc: 0.7000 - val_loss: 1.3736 - val_acc: 0.7000
Epoch 23/100
10/10 [==============================] - ETA: 0s - loss: 1.3758 - acc: 0.7000 - val_loss: 1.3311 - val_acc: 0.8000
Epoch 24/100
10/10 [==============================] - ETA: 0s - loss: 1.3331 - acc: 0.8000 - val_loss: 1.2891 - val_acc: 0.8000
Epoch 25/100
10/10 [==============================] - ETA: 0s - loss: 1.2913 - acc: 0.8000 - val_loss: 1.2488 - val_acc: 0.9000
Epoch 26/100
10/10 [==============================] - ETA: 0s - loss: 1.2513 - acc: 0.9000 - val_loss: 1.2091 - val_acc: 0.9000
Epoch 27/100
10/10 [==============================] - ETA: 0s - loss: 1.2114 - acc: 0.9000 - val_loss: 1.1701 - val_acc: 0.9000
Epoch 28/100
10/10 [==============================] - ETA: 0s - loss: 1.1721 - acc: 0.9000 - val_loss: 1.1324 - val_acc: 0.9000
Epoch 29/100
10/10 [==============================] - ETA: 0s - loss: 1.1349 - acc: 0.9000 - val_loss: 1.0957 - val_acc: 0.9000
Epoch 30/100
10/10 [==============================] - ETA: 0s - loss: 1.0984 - acc: 0.9000 - val_loss: 1.0596 - val_acc: 0.9000
Epoch 31/100
10/10 [==============================] - ETA: 0s - loss: 1.0620 - acc: 0.9000 - val_loss: 1.0243 - val_acc: 0.9000
Epoch 32/100
10/10 [==============================] - ETA: 0s - loss: 1.0269 - acc: 0.9000 - val_loss: 0.9905 - val_acc: 1.0000
Epoch 33/100
10/10 [==============================] - ETA: 0s - loss: 0.9932 - acc: 1.0000 - val_loss: 0.9571 - val_acc: 1.0000
Epoch 34/100
10/10 [==============================] - ETA: 0s - loss: 0.9597 - acc: 1.0000 - val_loss: 0.9247 - val_acc: 1.0000
Epoch 35/100
10/10 [==============================] - ETA: 0s - loss: 0.9276 - acc: 1.0000 - val_loss: 0.8934 - val_acc: 1.0000
Epoch 36/100
10/10 [==============================] - ETA: 0s - loss: 0.8962 - acc: 1.0000 - val_loss: 0.8629 - val_acc: 1.0000
Epoch 37/100
10/10 [==============================] - ETA: 0s - loss: 0.8655 - acc: 1.0000 - val_loss: 0.8330 - val_acc: 1.0000
Epoch 38/100
10/10 [==============================] - ETA: 0s - loss: 0.8359 - acc: 1.0000 - val_loss: 0.8047 - val_acc: 1.0000
Epoch 39/100
10/10 [==============================] - ETA: 0s - loss: 0.8077 - acc: 1.0000 - val_loss: 0.7766 - val_acc: 1.0000
Epoch 40/100
10/10 [==============================] - ETA: 0s - loss: 0.7797 - acc: 1.0000 - val_loss: 0.7501 - val_acc: 1.0000
Epoch 41/100
10/10 [==============================] - ETA: 0s - loss: 0.7529 - acc: 1.0000 - val_loss: 0.7239 - val_acc: 1.0000
Epoch 42/100
10/10 [==============================] - ETA: 0s - loss: 0.7270 - acc: 1.0000 - val_loss: 0.6988 - val_acc: 1.0000
Epoch 43/100
10/10 [==============================] - ETA: 0s - loss: 0.7018 - acc: 1.0000 - val_loss: 0.6744 - val_acc: 1.0000
Epoch 44/100
10/10 [==============================] - ETA: 0s - loss: 0.6773 - acc: 1.0000 - val_loss: 0.6511 - val_acc: 1.0000
Epoch 45/100
10/10 [==============================] - ETA: 0s - loss: 0.6542 - acc: 1.0000 - val_loss: 0.6283 - val_acc: 1.0000
Epoch 46/100
10/10 [==============================] - ETA: 0s - loss: 0.6312 - acc: 1.0000 - val_loss: 0.6065 - val_acc: 1.0000
Epoch 47/100
10/10 [==============================] - ETA: 0s - loss: 0.6097 - acc: 1.0000 - val_loss: 0.5852 - val_acc: 1.0000
Epoch 48/100
10/10 [==============================] - ETA: 0s - loss: 0.5882 - acc: 1.0000 - val_loss: 0.5647 - val_acc: 1.0000
Epoch 49/100
10/10 [==============================] - ETA: 0s - loss: 0.5677 - acc: 1.0000 - val_loss: 0.5451 - val_acc: 1.0000
Epoch 50/100
10/10 [==============================] - ETA: 0s - loss: 0.5482 - acc: 1.0000 - val_loss: 0.5261 - val_acc: 1.0000
Epoch 51/100
10/10 [==============================] - ETA: 0s - loss: 0.5291 - acc: 1.0000 - val_loss: 0.5078 - val_acc: 1.0000
Epoch 52/100
10/10 [==============================] - ETA: 0s - loss: 0.5108 - acc: 1.0000 - val_loss: 0.4900 - val_acc: 1.0000
Epoch 53/100
10/10 [==============================] - ETA: 0s - loss: 0.4928 - acc: 1.0000 - val_loss: 0.4729 - val_acc: 1.0000
Epoch 54/100
10/10 [==============================] - ETA: 0s - loss: 0.4759 - acc: 1.0000 - val_loss: 0.4567 - val_acc: 1.0000
Epoch 55/100
10/10 [==============================] - ETA: 0s - loss: 0.4596 - acc: 1.0000 - val_loss: 0.4409 - val_acc: 1.0000
Epoch 56/100
10/10 [==============================] - ETA: 0s - loss: 0.4440 - acc: 1.0000 - val_loss: 0.4258 - val_acc: 1.0000
Epoch 57/100
10/10 [==============================] - ETA: 0s - loss: 0.4286 - acc: 1.0000 - val_loss: 0.4113 - val_acc: 1.0000
Epoch 58/100
10/10 [==============================] - ETA: 0s - loss: 0.4143 - acc: 1.0000 - val_loss: 0.3971 - val_acc: 1.0000
Epoch 59/100
10/10 [==============================] - ETA: 0s - loss: 0.4001 - acc: 1.0000 - val_loss: 0.3835 - val_acc: 1.0000
Epoch 60/100
10/10 [==============================] - ETA: 0s - loss: 0.3864 - acc: 1.0000 - val_loss: 0.3706 - val_acc: 1.0000
Epoch 61/100
10/10 [==============================] - ETA: 0s - loss: 0.3735 - acc: 1.0000 - val_loss: 0.3580 - val_acc: 1.0000
Epoch 62/100
10/10 [==============================] - ETA: 0s - loss: 0.3611 - acc: 1.0000 - val_loss: 0.3459 - val_acc: 1.0000
Epoch 63/100
10/10 [==============================] - ETA: 0s - loss: 0.3487 - acc: 1.0000 - val_loss: 0.3343 - val_acc: 1.0000
Epoch 64/100
10/10 [==============================] - ETA: 0s - loss: 0.3370 - acc: 1.0000 - val_loss: 0.3232 - val_acc: 1.0000
Epoch 65/100
10/10 [==============================] - ETA: 0s - loss: 0.3261 - acc: 1.0000 - val_loss: 0.3125 - val_acc: 1.0000
Epoch 66/100
10/10 [==============================] - ETA: 0s - loss: 0.3152 - acc: 1.0000 - val_loss: 0.3023 - val_acc: 1.0000
Epoch 67/100
10/10 [==============================] - ETA: 0s - loss: 0.3049 - acc: 1.0000 - val_loss: 0.2925 - val_acc: 1.0000
Epoch 68/100
10/10 [==============================] - ETA: 0s - loss: 0.2953 - acc: 1.0000 - val_loss: 0.2828 - val_acc: 1.0000
Epoch 69/100
10/10 [==============================] - ETA: 0s - loss: 0.2854 - acc: 1.0000 - val_loss: 0.2736 - val_acc: 1.0000
Epoch 70/100
10/10 [==============================] - ETA: 0s - loss: 0.2762 - acc: 1.0000 - val_loss: 0.2648 - val_acc: 1.0000
Epoch 71/100
10/10 [==============================] - ETA: 0s - loss: 0.2675 - acc: 1.0000 - val_loss: 0.2563 - val_acc: 1.0000
Epoch 72/100
10/10 [==============================] - ETA: 0s - loss: 0.2588 - acc: 1.0000 - val_loss: 0.2481 - val_acc: 1.0000
Epoch 73/100
10/10 [==============================] - ETA: 0s - loss: 0.2506 - acc: 1.0000 - val_loss: 0.2403 - val_acc: 1.0000
Epoch 74/100
10/10 [==============================] - ETA: 0s - loss: 0.2429 - acc: 1.0000 - val_loss: 0.2327 - val_acc: 1.0000
Epoch 75/100
10/10 [==============================] - ETA: 0s - loss: 0.2351 - acc: 1.0000 - val_loss: 0.2254 - val_acc: 1.0000
Epoch 76/100
10/10 [==============================] - ETA: 0s - loss: 0.2279 - acc: 1.0000 - val_loss: 0.2184 - val_acc: 1.0000
Epoch 77/100
10/10 [==============================] - ETA: 0s - loss: 0.2209 - acc: 1.0000 - val_loss: 0.2117 - val_acc: 1.0000
Epoch 78/100
10/10 [==============================] - ETA: 0s - loss: 0.2140 - acc: 1.0000 - val_loss: 0.2053 - val_acc: 1.0000
Epoch 79/100
10/10 [==============================] - ETA: 0s - loss: 0.2078 - acc: 1.0000 - val_loss: 0.1989 - val_acc: 1.0000
Epoch 80/100
10/10 [==============================] - ETA: 0s - loss: 0.2011 - acc: 1.0000 - val_loss: 0.1929 - val_acc: 1.0000
Epoch 81/100
10/10 [==============================] - ETA: 0s - loss: 0.1954 - acc: 1.0000 - val_loss: 0.1872 - val_acc: 1.0000
Epoch 82/100
10/10 [==============================] - ETA: 0s - loss: 0.1894 - acc: 1.0000 - val_loss: 0.1817 - val_acc: 1.0000
Epoch 83/100
10/10 [==============================] - ETA: 0s - loss: 0.1841 - acc: 1.0000 - val_loss: 0.1763 - val_acc: 1.0000
Epoch 84/100
10/10 [==============================] - ETA: 0s - loss: 0.1784 - acc: 1.0000 - val_loss: 0.1711 - val_acc: 1.0000
Epoch 85/100
10/10 [==============================] - ETA: 0s - loss: 0.1732 - acc: 1.0000 - val_loss: 0.1662 - val_acc: 1.0000
Epoch 86/100
10/10 [==============================] - ETA: 0s - loss: 0.1684 - acc: 1.0000 - val_loss: 0.1614 - val_acc: 1.0000
Epoch 87/100
10/10 [==============================] - ETA: 0s - loss: 0.1636 - acc: 1.0000 - val_loss: 0.1568 - val_acc: 1.0000
Epoch 88/100
10/10 [==============================] - ETA: 0s - loss: 0.1590 - acc: 1.0000 - val_loss: 0.1523 - val_acc: 1.0000
Epoch 89/100
10/10 [==============================] - ETA: 0s - loss: 0.1542 - acc: 1.0000 - val_loss: 0.1480 - val_acc: 1.0000
Epoch 90/100
10/10 [==============================] - ETA: 0s - loss: 0.1501 - acc: 1.0000 - val_loss: 0.1438 - val_acc: 1.0000
Epoch 91/100
10/10 [==============================] - ETA: 0s - loss: 0.1457 - acc: 1.0000 - val_loss: 0.1399 - val_acc: 1.0000
Epoch 92/100
10/10 [==============================] - ETA: 0s - loss: 0.1418 - acc: 1.0000 - val_loss: 0.1360 - val_acc: 1.0000
Epoch 93/100
10/10 [==============================] - ETA: 0s - loss: 0.1379 - acc: 1.0000 - val_loss: 0.1323 - val_acc: 1.0000
Epoch 94/100
10/10 [==============================] - ETA: 0s - loss: 0.1343 - acc: 1.0000 - val_loss: 0.1287 - val_acc: 1.0000
Epoch 95/100
10/10 [==============================] - ETA: 0s - loss: 0.1306 - acc: 1.0000 - val_loss: 0.1252 - val_acc: 1.0000
Epoch 96/100
10/10 [==============================] - ETA: 0s - loss: 0.1271 - acc: 1.0000 - val_loss: 0.1218 - val_acc: 1.0000
Epoch 97/100
10/10 [==============================] - ETA: 0s - loss: 0.1237 - acc: 1.0000 - val_loss: 0.1185 - val_acc: 1.0000
Epoch 98/100
10/10 [==============================] - ETA: 0s - loss: 0.1204 - acc: 1.0000 - val_loss: 0.1154 - val_acc: 1.0000
Epoch 99/100
10/10 [==============================] - ETA: 0s - loss: 0.1172 - acc: 1.0000 - val_loss: 0.1124 - val_acc: 1.0000
Epoch 100/100
10/10 [==============================] - ETA: 0s - loss: 0.1141 - acc: 1.0000 - val_loss: 0.1095 - val_acc: 1.0000
Test loss: 0.109465420246
Test accuracy: 1.0

輸出的圖片

plot_model 的執行，需要安裝 pydot 和 graphviz

pip3 install pydot

plot_model 的環境安裝

在 windows 上，graphviz 必須手動安裝，安裝檔可以到他們官網下載。
http://www.graphviz.org/Download_windows.php
安裝好之後必須在環境變數 path 加上 C:\Program Files (x86)\Graphviz2.30\bin 才能使用。
cmd 下輸入指令：

dot -version

若顯示以下訊息，表示正確安裝。

dot - graphviz version 2.30.1 (20130214.1330)
libdir = "C:\Program Files (x86)\Graphviz2.30\bin"
Activated plugin library: gvplugin_pango.dll
Using textlayout: textlayout:cairo
Activated plugin library: gvplugin_dot_layout.dll
Using layout: dot:dot_layout
Activated plugin library: gvplugin_core.dll
Using render: dot:core
Using device: dot:dot:core
The plugin configuration file:
        C:\Program Files (x86)\Graphviz2.30\bin\config6
                was successfully loaded.
    render      :  cairo dot fig gd gdiplus map pic pov ps svg tk vml vrml xdot
    layout      :  circo dot fdp neato nop nop1 nop2 osage patchwork sfdp twopi
    textlayout  :  textlayout
    device      :  bmp canon cmap cmapx cmapx_np dot emf emfplus eps fig gd gd2 gif gv imap imap_np ismap jpe jpeg jpg metafile pdf p
ic plain plain-ext png pov ps ps2 svg svgz tif tiff tk vml vmlz vrml wbmp xdot
    loadimage   :  (lib) bmp eps gd gd2 gif jpe jpeg jpg png ps svg

參考文件

plot_model 在 windows 上的環境建立：https://zhuanlan.zhihu.com/p/28158957
graphviz 的使用：https://www.openfoundry.org/tw/foss-programs/8820-graphviz-

作者： 卡卡米 於 凌晨12:09 0 個回應
標籤：

2017/10/17

Python - draw text on image and image to numpy array

目標

嘗試生成以微軟正黑體寫成的數字0~9並轉換成 numpy array

本文包含

  • 生成圖片和保存圖片
  • 在圖片上寫出指定字型和大小的字
  • 設定反鋸齒模式
  • 圖片轉成 numpy array

程式碼

import numpy
from PIL import Image
from PIL import ImageFont
from PIL import ImageDraw

image_size = (8,13)
font_size = 10

for i in range(10):
    # 空白圖片生成
    image = Image.new('L', image_size, 0)

    # 取得繪圖器
    draw = ImageDraw.Draw(image)

    # 微軟正黑體
    font = ImageFont.truetype("C:/Windows/Fonts/msjh.ttc", font_size)

    # 關閉反鋸齒
    draw.fontmode = '1'

    # 測量文字尺寸
    text_size = draw.textsize(str(i),font)
    # print('text_size:', text_size)

    # 文字置中
    text_position = ((image_size[0]-text_size[0])//2,(image_size[1]-text_size[1])//2)
    # print('text_position:', text_position)

    # 畫上文字
    draw.text(text_position, str(i), 255, font)

    # 存檔
    image.save(str(i)+'.bmp')

    # 轉成 numpy array
    na = numpy.array(image.getdata()).reshape(image.size[1], image.size[0])

    # 印出
    print(na)

輸出

Using TensorFlow backend.
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0 255 255 255 255   0   0]
 [  0   0 255   0   0 255 255   0]
 [  0 255   0   0   0   0 255   0]
 [  0 255   0   0   0   0 255   0]
 [  0 255   0   0   0   0 255   0]
 [  0 255   0   0   0   0 255   0]
 [  0 255 255   0   0 255   0   0]
 [  0   0 255 255 255 255   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0 255 255   0   0   0]
 [  0   0 255 255 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0 255 255 255 255 255   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0 255 255 255   0   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0   0   0   0   0 255   0]
 [  0   0   0   0   0   0 255   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0 255   0   0   0   0]
 [  0   0 255 255 255 255 255   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0 255 255   0   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0 255 255   0   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0   0 255 255 255   0   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0 255 255   0   0]
 [  0   0   0   0 255 255   0   0]
 [  0   0   0 255   0 255   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0 255   0   0   0 255   0   0]
 [  0 255 255 255 255 255 255   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0 255 255 255 255   0   0]
 [  0   0 255   0   0   0   0   0]
 [  0   0 255   0   0   0   0   0]
 [  0   0 255 255 255   0   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0   0 255 255 255   0   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0 255 255 255   0]
 [  0   0   0 255   0   0   0   0]
 [  0   0 255   0   0   0   0   0]
 [  0   0 255   0 255 255   0   0]
 [  0   0 255 255   0   0 255   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0   0 255 255 255   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0 255 255 255 255 255 255   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0   0 255   0   0   0]
 [  0   0   0 255   0   0   0   0]
 [  0   0   0 255   0   0   0   0]
 [  0   0 255   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0 255 255   0   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0   0 255   0   0 255   0   0]
 [  0   0   0 255 255   0   0   0]
 [  0   0   0 255   0 255   0   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0   0 255 255 255   0   0]
 [  0   0   0   0   0   0   0   0]]
[[  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0]
 [  0   0   0 255 255 255   0   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0 255   0   0   0 255   0]
 [  0   0   0 255 255 255 255   0]
 [  0   0   0   0   0   0 255   0]
 [  0   0   0   0   0 255   0   0]
 [  0   0 255 255 255   0   0   0]
 [  0   0   0   0   0   0   0   0]]

參考文件

PIL影像相關:http://pillow.readthedocs.io/en/stable/reference/index.html

作者： 卡卡米 於 凌晨12:48 0 個回應
標籤：

2017/10/13

Python - 印出 mnist 的手寫圖形

安裝 keras

請參考 https://etrex.blogspot.tw/2017/10/windows-10-keras.html

安裝 PIL

在 cmd 輸入以下指令：

pip3 install Image

若想查看已安裝了哪些套件，可在 cmd 輸入以下指令：

pip3 list

印出 MNIST 的手寫數字圖形

MNIST 是一個知名的手寫數字資料集，被當作機器學習界的 hello world 來使用。

import keras
from keras.datasets import mnist
from PIL import Image

(x_train, y_train), (x_test, y_test) = mnist.load_data()
Image.fromarray(x_train[0,]).show()

x_train 是一個大小為 60000,28,28 的三維陣列，代表 60000 張 28x28 的灰階圖檔。
可輸入以下指令查看：

x_train.shape
# (60000,28,28)

x_train[0,] 是一個大小為 28,28 的二維陣列，代表第一張圖片。

Image.fromarray(x_train[0,]).show() 把代表第一張圖片的二維陣列轉為圖片並顯示。

作者： 卡卡米 於 凌晨1:57 0 個回應
標籤： ,

Python - debug 方法

印出變數值

a = 1
print(a)
# 1

印出變數型態

a = 1
print(type(a))
# <class 'int'="">

印出變數成員

a = 1
print(dir(a))
# ['__abs__', '__add__', '__and__', '__bool__', '__ceil__', '__class__', '__delattr__', '__dir__', '__divmod__', '__doc__', '__eq__', '__float__', '__floor__', '__floordiv__', '__format__', '__ge__', '__getattribute__', '__getnewargs__', '__gt__', '__hash__', '__index__', '__init__', '__int__', '__invert__', '__le__', '__lshift__', '__lt__', '__mod__', '__mul__', '__ne__', '__neg__', '__new__', '__or__', '__pos__', '__pow__', '__radd__', '__rand__', '__rdivmod__', '__reduce__', '__reduce_ex__', '__repr__', '__rfloordiv__', '__rlshift__', '__rmod__', '__rmul__', '__ror__', '__round__', '__rpow__', '__rrshift__', '__rshift__', '__rsub__', '__rtruediv__', '__rxor__', '__setattr__', '__sizeof__', '__str__', '__sub__', '__subclasshook__', '__truediv__', '__trunc__', '__xor__', 'bit_length', 'conjugate', 'denominator', 'from_bytes', 'imag', 'numerator', 'real', 'to_bytes']

印出模組成員

import json
dir(json)
# ['JSONDecodeError', 'JSONDecoder', 'JSONEncoder', '__all__', '__author__', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '__version__', '_default_decoder', '_default_encoder', 'decoder', 'dump', 'dumps', 'encoder', 'load', 'loads', 'scanner']

呼叫成員

a = -1
print(a.__abs__)
# <method-wrapper '__abs__'="" of="" int="" object="" at="" 0x00000000766f01d0="">

print(a.__abs__())
# -1

印出json

import json
print(json.dumps([1, 2, 3]))
# '[1, 2, 3]'

作者： 卡卡米 於 凌晨12:56 0 個回應
標籤：

JS - 重複組合

給兩個序列 a 跟 b ，在不改變 a 和 b 序列順序的情況下，列出所有 a 跟 b 混合後的結果
使用重複組合的概念，兩個序列混合後的結果等同於其中一個序列的 index 的組合
舉例來說序列 a 為 --，序列 b 為 **，其所有混和結果為：

--**  
-*-*  
*--*  
-**-  
*-*-  
**--

共六種，而我們可以把 a 序列所在的 index 寫出：

1,2  
1,3  
2,3  
1,4  
2,4  
3,4

而這是 C4取2 的所有組合結果。
假設已知 b 序列長度為 6，我們可以使用迴圈生成組合。

var set = {
 "a":['b','b','b','b'],
 "b":['3','4','5','6','7','8']
}
var n = set['a'].length + set['b'].length;
var c = [];
for(var i1 = 0 ; i1 < n ; i1 ++)
for(var i2 = i1+1 ; i2 < n ; i2 ++)
for(var i3 = i2+1 ; i3 < n ; i3 ++)
for(var i4 = i3+1 ; i4 < n ; i4 ++)
for(var i5 = i4+1 ; i5 < n ; i5 ++)
for(var i6 = i5+1 ; i6 < n ; i6 ++){
 var ab = [];
 for(var i = 0 ; i < n ; i ++)
  ab.push('a');
 ab[i1] = 'b';
 ab[i2] = 'b';
 ab[i3] = 'b';
 ab[i4] = 'b';
 ab[i5] = 'b';
 ab[i6] = 'b';
 var c0 = [];
 var index = {"a":0,"b":0};
 for(var i = 0 ; i < n ; i ++){
  c0.push(set[ab[i]][index[ab[i]]]);
  index[ab[i]] = index[ab[i]] + 1;
 }
 c.push(c0);
 console.log(c0);
}
作者： 卡卡米 於 凌晨12:19 0 個回應
標籤： ,

2017/10/11

在 Windows 10 上安裝 Keras 的流程

Keras 是一個在 Python 上的深度學習工具，用這個工具可以快速打造出複雜的類神經網路結構 他需要用到 TensorFlow，所以在安裝 Keras 之前要先安裝 TensorFlow 在安裝 TensorFlow 之前要先安裝 Python 2.7 或 3.5。

先裝 Python

我個人是安裝 Python 3.5，安裝流程請參考 https://pygame.hackersir.org/Lessons/01/Python_install.html， 正確安裝後，在 cmd 下輸入指令：

python -V

若顯示 Python 3.5.2 表示正確安裝。

接著裝 TensorFlow

以下介紹cpu版本的安裝，若需要gpu版本的安裝流程請參考https://rreadmorebooks.blogspot.tw/2017/04/win10cudacudnn.html
在 cmd 下輸入指令：

pip3 install --upgrade tensorflow

裝好後，接著輸入 python 進入互動模式：

python

再輸入以下的 python 程式碼(可直接複製貼上四行)

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

若顯示 b'Hello, TensorFlow!' 表示正確安裝，此時可輸入 exit() 離開 python 互動模式。

SciPy

在裝 Keras 之前，可能需要手動裝 SciPy，因為 SciPy 的自動安裝流程在 Windows 上似乎不完整。 先開啟http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy， 然後點選 scipy‑1.0.0rc1‑cp35‑cp35m‑win_amd64.whl 下載檔案。 下載好了之後，在 cmd 切換目錄至下載目錄，然後輸入指令：

pip3 install scipy‑1.0.0rc1‑cp35‑cp35m‑win_amd64.whl

最後裝 Keras

直接在 cmd 輸入指令：

pip3 install keras

裝好後，接著輸入 python 進入互動模式：

python

再輸入以下的 python 程式碼

import keras

若顯示 Using TensorFlow backend. 表示正確安裝，此時可輸入 exit() 離開 python 互動模式。

參考連結：

安裝 Python https://pygame.hackersir.org/Lessons/01/Python_install.html

安裝 TensorFlow https://www.tensorflow.org/install/install_windows

安裝 SciPy http://codewenda.com/windows%E4%B8%8A%E4%BD%BF%E7%94%A8pip%E5%AE%89%E8%A3%85scipy%E9%94%99%E8%AF%AF%EF%BC%9Arunning-setup-py-bdist_wheel-for-scipy-error/

安裝 Keras https://keras-cn.readthedocs.io/en/latest/#_2

作者： 卡卡米 於 晚上11:28 0 個回應
標籤：

安裝 nokogiri 失敗時的解決方法

(參考此篇文章)[https://github.com/sparklemotion/nokogiri/issues/1483]

在 bash 輸入 xcode-select --install 可解決問題。

在我的 macbook 上的錯誤訊息如下：

Gem::Ext::BuildError: ERROR: Failed to build gem native extension.

    current directory: /Users/etrex/.rvm/gems/ruby-2.4.1@-global/gems/nokogiri-1.8.0/ext/nokogiri
/Users/etrex/.rvm/rubies/ruby-2.4.1/bin/ruby -r ./siteconf20171011-80748-pgpdll.rb extconf.rb
checking if the C compiler accepts ... yes
checking if the C compiler accepts -Wno-error=unused-command-line-argument-hard-error-in-future... no
Building nokogiri using packaged libraries.
Using mini_portile version 2.2.0
checking for iconv.h... yes
checking for gzdopen() in -lz... yes
checking for iconv using --with-opt-* flags... yes
************************************************************************
IMPORTANT NOTICE:

Building Nokogiri with a packaged version of libxml2-2.9.4
with the following patches applied:
 - 0001-Fix-comparison-with-root-node-in-xmlXPathCmpNodes.patch
 - 0002-Fix-XPointer-paths-beginning-with-range-to.patch
 - 0003-Disallow-namespace-nodes-in-XPointer-ranges.patch

Team Nokogiri will keep on doing their best to provide security
updates in a timely manner, but if this is a concern for you and want
to use the system library instead; abort this installation process and
reinstall nokogiri as follows:

    gem install nokogiri -- --use-system-libraries
        [--with-xml2-config=/path/to/xml2-config]
        [--with-xslt-config=/path/to/xslt-config]

If you are using Bundler, tell it to use the option:

    bundle config build.nokogiri --use-system-libraries
    bundle install

Note, however, that nokogiri is not fully compatible with arbitrary
versions of libxml2 provided by OS/package vendors.
************************************************************************
Extracting libxml2-2.9.4.tar.gz into tmp/x86_64-apple-darwin15.4.0/ports/libxml2/2.9.4... OK
Running git apply with /Users/etrex/.rvm/gems/ruby-2.4.1@-global/gems/nokogiri-1.8.0/patches/libxml2/0001-Fix-comparison-with-root-node-in-xmlXPathCmpNodes.patch... OK
Running git apply with /Users/etrex/.rvm/gems/ruby-2.4.1@-global/gems/nokogiri-1.8.0/patches/libxml2/0002-Fix-XPointer-paths-beginning-with-range-to.patch... OK
Running git apply with /Users/etrex/.rvm/gems/ruby-2.4.1@-global/gems/nokogiri-1.8.0/patches/libxml2/0003-Disallow-namespace-nodes-in-XPointer-ranges.patch... OK
Running 'configure' for libxml2 2.9.4... OK
Running 'compile' for libxml2 2.9.4... ERROR, review
'/Users/etrex/.rvm/gems/ruby-2.4.1@-global/gems/nokogiri-1.8.0/ext/nokogiri/tmp/x86_64-apple-darwin15.4.0/ports/libxml2/2.9.4/compile.log' to see what happened. Last lines are:
========================================================================
    unsigned short* in = (unsigned short*) inb;
                         ^~~~~~~~~~~~~~~~~~~~~
encoding.c:815:27: warning: cast from 'unsigned char *' to 'unsigned short *' increases required alignment from 1 to 2 [-Wcast-align]
    unsigned short* out = (unsigned short*) outb;
                          ^~~~~~~~~~~~~~~~~~~~~~
4 warnings generated.
  CC       error.lo
  CC       parserInternals.lo
  CC       parser.lo
  CC       tree.lo
  CC       hash.lo
  CC       list.lo
  CC       xmlIO.lo
xmlIO.c:1450:52: error: use of undeclared identifier 'LZMA_OK'
    ret =  (__libxml2_xzclose((xzFile) context) == LZMA_OK ) ? 0 : -1;
                                                   ^
1 error generated.
make[2]: *** [xmlIO.lo] Error 1
make[1]: *** [all-recursive] Error 1
make: *** [all] Error 2
========================================================================
*** extconf.rb failed ***
Could not create Makefile due to some reason, probably lack of necessary
libraries and/or headers.  Check the mkmf.log file for more details.  You may
need configuration options.
作者： 卡卡米 於 下午1:19 0 個回應
標籤：
訂閱： 文章 (Atom)