GitHub - google/latexify_py: Generates LaTeX math description from Python functions.
▻https://github.com/google/latexify_py
A Python package that generates LaTeX math description from Python 🐍 functions.
GitHub - google/latexify_py: Generates LaTeX math description from Python functions.
▻https://github.com/google/latexify_py
A Python package that generates LaTeX math description from Python 🐍 functions.
Le deuxième exemple est assez impressionnant. Ça prouve qu’il doit y avoir un bon analyseur syntaxique avec transformation de l’arbre d’analyse pour pouvoir générer du LaTeX. J’aimerais bien voir jusqu’où ils ont poussé le délire !
C’est beau. Faut pas faire des fonctions de 40 conditions, mais c’est beau.
Ca marche, en python, les tests d’égalité à zéro sur des floatants avec une égalité stricte ? Ils font comment ? C’est géré par le langage l’epsilon ou c’est une égalité texte ?
Je l’avais pas vu le coup de l’égalité à zéro. Ça marche pas plus en python que dans n’importe quel autre langage.
Je viens d’aller jeter un oeil. Ça se fait bien par visite de l’arbre de syntaxe abstrait du programme. C’est simple et élégant. Et extensible.
Google lance un outil pour réduire de 35 % les images jpeg
▻http://www.futura-sciences.com/tech/actualites/internet-google-lance-outil-reduire-35-images-jpeg-66738
L’algorithme en question est capable de réduire de 35 % la taille d’un fichier image jpeg qui est le format le plus répandu sur la Toile. Outre sa performance, Guetzli a pour lui sa totale compatibilité avec le standard jpeg et donc tous les navigateurs, logiciels de retouches d’images et applications photo, ce qui n’est pas le cas des formats WebP et WebM également développés par Google.
à noter sur le Github du projet :
Note: Guetzli uses a large amount of memory. You should provide 300MB of memory per 1MPix of the input image.
Note: Guetzli uses a significant amount of CPU time. You should count on using about 1 minute of CPU per 1 MPix of input image.
...ça fait quand même 1 Go de RAM et 3 minutes de traitement pour une bête photo de 3 Mpixel !
Man Combines Random People’s Photos Using Neural Networks And The Results Are Amazing
►http://www.boredpanda.com/inceptionism-neural-network-deep-dream-art
Le service en ligne pour générer ces images : ▻http://deepdreamgenerator.com
Et aussi un notebook #Python qui s’y réfère : ►https://github.com/google/deepdream/blob/master/dream.ipynb
Inceptionism : Going Deeper into Neural Networks
►http://googleresearch.blogspot.co.uk/2015/06/inceptionism-going-deeper-into-neural.html
Faut absolument que j’arrive à essayer ^^ (...)
One way to visualize what goes on is to turn the network upside down and ask it to enhance an input image in such a way as to elicit a particular interpretation. Say you want to know what sort of image would result in “Banana.” Start with an image full of random noise, then gradually tweak the image towards what the neural net considers a banana (see related work in [1], [2], [3], [4]). By itself, that doesn’t work very well, but it does if we impose a prior constraint that the image should have similar statistics to natural images, such as neighboring pixels needing to be correlated.
Instead of exactly prescribing which feature we want the network to amplify, we can also let the network make that decision. In this case we simply feed the network an arbitrary image or photo and let the network analyze the picture. We then pick a layer and ask the network to enhance whatever it detected. Each layer of the network deals with features at a different level of abstraction, so the complexity of features we generate depends on which layer we choose to enhance. For example, lower layers tend to produce strokes or simple ornament-like patterns, because those layers are sensitive to basic features such as edges and their orientations.
#images #réseaux_de_neurones #machine_learning #psychédélique
Comment faire pareil :
►https://github.com/google/deepdream/blob/master/dream.ipynb
Ça utilise ▻http://caffe.berkeleyvision.org.
Bon amusement ^^ (ce truc va me pourrir le ouikende, je crois).
Open Location Code : An Open Source Standard for Addresses, Independent of Building Numbers And Street Names
▻https://github.com/google/open-location-code/blob/master/docs/olc_definition.adoc
Un nouveau code géographique, pour remplacer #geohash, appelé « Open Location Code » et porté par #Google.
L’idée de ces algorithmes est de coder #latitude et #longitude en une seule chaîne de caractères, et plus la chaîne est longue, plus la précision est grande.
C’est utile pour mettre dans une URL, pour dicter par téléphone, etc. Et pour générer des codes de référence, par exemple tous les poteaux EDF : si un client appelle pour signaler que le poteau « 123458384 » (code indiqué sur la plaque du poteau, imaginons) est tombé, fauché par un coup de vent, au lieu de devoir faire une requête à une base de données pour savoir où se trouve ce poteau, le code contient en lui même la localisation, ce qui facilite l’intervention. Ça se décline en plein d’usages. Ça permet de remplacer l’adresse postale, voir par exemple l’Eircode irlandais :
On est en train de travailler ici sur geohash
mais il faudra peut être qu’on s’intéresse à ce nouveau code.
google/gumbo-parser
▻https://github.com/google/gumbo-parser#gumbo---a-pure-c-html5-parser
Gumbo is an implementation of the HTML5 parsing algorithm implemented as a pure C99 library with no outside dependencies. It’s designed to serve as a building block for other tools and libraries such as linters, validators, templating languages, and refactoring and analysis tools.