アイデア供養会名古屋の陣を開催しました！

今年のMashupAwards（MA作品応募期間：2018/9/6（木）~11/5（月））も開催が決定していますが、その直前の【2018/9/3（月）】に名古屋ではアイデア供養会を開催しました。

アイデア供養会　名古屋の陣 【Supported by MA＠名古屋ギークバー 】

イベントの名前もアイデア供養会　名古屋の陣 【Supported by MA＠名古屋ギークバー 】です。今年の春に東京では「着手したけどいろいろな理由で放置しているプロジェクトを紹介する(成仏させる)LT大会」という形のアイデア供養会が行われました。

mashupaward.jp

それをきいて名古屋有志でも「開催したいなあ～」という話をしていたのですが、ようやくそれが実現しました！実のところを言うとお盆の時期にできればという話ではあったのですが、 開催場所が時期的に難しいということもあり、お盆の終わった9月3日に行うことになりました。時期としてはお盆は外してしまいましたが、今年のMashupAwardsの開催前にできたのは ギリギリセーフだったなという感じです。

アイデア供養会はMA常連さんの@塚谷さんが東京の発起人ということだったのですが、できれば名古屋の供養会にも来たいという話をしていたのですが、残念ながら「今回は来れない」ということでしたが…なんと、当日の会場の準備をしていると急遽東京から名古屋まで駆けつけていただけました！このためだけに東京-名古屋間を移動されたということなので凄すぎ！

今回は名古屋近辺でも有名なGeekbarを会場にさせていただきました。会場のご協力ありがとうございました。

geekbar.doorkeeper.jp

アイデア供養会とは？

このアイデア供養会の趣旨は、ハッカソンなどで出たアイデアで着手したけどいろいろな理由

• 情熱が続かない
• 技術的に難しそう
• 物が売ってない

などなどの理由で放置しているプロジェクトを紹介する(成仏させる)LT大会になります。

いつものLT大会とはちょっと異なり、木魚やおりんが響く…いつもとは違う雰囲気の中でのLT大会です。今回の会場であるGeekbarもちょっと雰囲気のある会場（いつもはピアノバーとして運営しています）だったので 思った以上に、それらしく行えたのではないかと思っています。個人的には木魚やおりんは本物だったのでこんなにいい音がするんだという一種の感動もありました。（若干ほしくなったｗ）

【塚谷さんの手で持ち込まれた木魚とおりん】

前日に大垣でMAのハッカソンがあったので、伴野さんも参加していただき、今年のMAイベントの紹介もいただけました！豪華！

今回は募集が一ヶ月前になってしまいましたが、それにもかかわらず10名以上の方がイベントに参加いただき、ほとんどの方がアイデアの供養（LT）を行っていただけました。 通常、この手のLT大会は数人の方のLTを行って、あとはフリータイムのような形になりがちですが、今回は目一杯LTをやったのでむしろ時間がなくなってしまうぐらいで、みんなアイデア供養に飢えているのか（？）とも思えるほどでした。供養に飢えているという表現はなさそうですけど。

今回の目玉！

今回の目玉はやはり…本物の神主さんが供養にご協力いただけたということでしょうか。イベント募集の画像はお坊さんが書いてあったのですが、急遽来ていただくことに成功しました。普通に着ていただけるだけでも嬉しかったのですが、正装で登場したのには驚きです。

自分たちで考えたアイデアには愛着があるので、やはりLTをの時間もしっかり使って来る感じになりますよね。話を聞いていてもすごく楽しかったです。あと、供養会だとLTにも自然にオチがつくというのもいい効果なのかなと。これまで作ってきた作品の歴史を語る方もいれば、印象に残った作品のことを語る方もいて、いろいろな思い出があったんだろうなというのが読み取れます。

私が気になったアイデアは「うしつり」でしょうか。

冷静に考えると、絶対に手を出さないというアイデアでも、イベント、締め切り、圧（謎の力）などでなんとなくやってみたくなる雰囲気があったんだろうなと思いました。こういうアイデアが出るのもMashupAwardsの雰囲気の良さなんだと思っています。素敵です！常連の方もいれば、去年から参加したという方まで幅広い方々に参加していただけて、とてもいいイベントになったなと思うとともに、引き続きアイデアを供養するという場があるというのもなかなかいいなと思ってしまいました。

自分は去年個人で作った作品の供養をしました。はじめて体験したボッチアイデアでしたが、ボッチの作業もなかなか楽しかった。やっていく中で、いろいろなところからコメントをもらったりしてヒントを考えさせられることも多かったアイデアで、本当の意味での作りたいにまっしぐらの「俺得」アイデアであったともいえます。

おわりに

イベントを通してアイデアからモノを作るだけでなく、アフターパーティ的に話すこと、後日談のような形で消化させるようなこと、こういうことを面白いなと思っていただいた参加者が多かったのかなと思います。 アイデアにはやっぱり供養する場が必要ですね。今後も年一回ぐらいはアイデア供養会とかできるといいかなと思いました。

イベントの最後には神主さんからお祓いをしていただきました。

今回イベントにご参加いただいた方々本当にありがとうございました。今年のMashupAwardsのみならず、ものづくりイベント頑張っていきましょう！

告知

来る9/29,30に名古屋でもMashup名古屋ハンズオン＆ミニハッカソン2018を開催いたします。

「自由なものづくり」をテーマに、チャレンジ度、ギーク度、ワクワク度を競い合う日本最大級の開発コンテストであるMashup Aawards。 今年の名古屋のイベントでは、これまでと開催形態を少し変え、技術サポート企業からのハンズオンなどとモノづくりに集中するもくもく会の形式で開催します。

• 【日程】　2018年9月29日(土)10:00 ～ 2018年9月30日(日)17:00（9:30 開場予定）
• 【対象】　アイデアソン・ハッカソンなどにご興味のある方、新しい技術への興味がある方
• 【場所】　名古屋工業大学 講堂 (NITech Hall) 2階 ラーニングコモンズ(愛知県名古屋市昭和区御器所町)
• 【主催】　Mashup名古屋・一般社団法人MA

mashup-nagoya.connpass.com

ぜひ、初参加の方もご参加ただければと思います。

大垣にハッカソンにいってきた

いよいよ9月。ハッカソンなどのものづくりイベントが数多く開催される季節になってきました。 ってことで今回は大垣で開催された「おおがきIoT×AIハッカソン by Mashup Awards 2018」

mashupawards.connpass.com

毎回大垣のハッカソンではロボット関連をテーマとしていましたが、今回はこれまでのテーマに加えてAI・IoTが入った形になっていました。

今回もPepper登場！

LINE Clovaも大量にいました！

大まかな流れに関しては medium.com

d.hatena.ne.jp

こちらを見てもらえればと思います。今回はLINEさんが技術サポートとして来ていらっしゃったので、前から興味のあったLINEビーコンを使用してなにかできないかなと考えました。若干の今更感はあるのですが、ハッカソンでは使ったことが無いデバイスに触れるのも喜びではあるので、ダメ元のチャレンジでした。Bluetoothのビーコンデバイスは実は去年はMAMORIOを使用していたのでなんとなくは分かっていたのですが、LINEビーコンは少し印象が違う感じではありました。

【LINEビーコンの販売ページ】 beacon.theshop.jp

詳細に関しては別のエントリーにしようと思います。

チームビルディングでいろいろと考えていたのですが、今回も結果的にSeyaさんと組むことに。Seyaさんは大垣ハッカソンでは毎度同じチームになるのですが、どちらかが途中で退場するという感じで最後まで発表にいたことのない感じです。とはいっても、実は大垣の作品がMAのセカンドステージに2回も行っているという点ではなかなかいい感じのチームだったと思います。今回もSeyaさんとチームを組んだのですが、2日目がいないということなので、実質ボッチソンって感じ。そのあと2日目の天候が影響してseyaさんもそのままイベントに残ったのでボッチソンではなくなりました。

2日目のことを考えると、自分がコーディングを、その他をSeyaさんという担当で行うことに。

最初のアイデアはビーコンを持った人を探す鬼ごっこ（かくれんぼ？）のようなものを考えていたのですが、アイデアがなかなかうまくまとまらず。モテアイデアに近い感じだったのですが、なんとなく今ひとつ。チームでもう少し考えを変えていって、謎解きゲームっぽいものを作っていこうという話になりました。ビーコンに近づくと位置の検知ができるので、部屋などにおいておけば、部屋の入室がわかるので謎を仕掛けておいて、それをクリアしていってゲームにするってことは、なんとなくできるかなと。

【盗撮をするペッパー、この背中はみたことあるｗ】

一応以下の画像のようなゲームができました。

歩いていると通せんぼする少年。なにかをあげないと通してくれない。

ものを探して違う場所へ…

怪しげな扉と謎の書かれた紙面。

謎を解いて暗証番号を入力すると…扉があき中にプリンが！

アイテムをゲットして、もう一度通せんぼの少年のところに行ってプリンを渡す。

今回は無事に関門をクリア！

最後は4つある扉の中から正解の扉を選ぶというもの正解を選べば無事にクリア！

技術的には単純なのですが、作り始めてからゲームを組み立てていったりしたのでかなり時間がかかってしまいました。 仕様やストーリーをねってから作ればもう少し時間の短縮ができたかな？

終わりに

あとLINEビーコンを使ってみての印象ですが

• 見通しがあれば、距離が離れていてもかなり遠くまで電波は届く。15mぐらいは全然問題ない。（enterのステータスは大丈夫だが、leaveのステータスが使いにくい）
• LineBot側でエリアに入ったか出たかのステータス管理していて、一度エリアに入ったと検出してしまうとバックエンド側を変更してもビーコンのステータスが送信されない（同じ状態を再度送るのは基本できないっぽいのでビーコンの電源のON/OFFまたはがBluetoothのON/OFFが必要です。）
• ドキュメントとGithubの情報が異なっている。Githubにあるソースコードが一番が正しいです。
• Herokuを使うとログ出力などが限定的になったり・表示に時間がかかるので、開発段階ではngrokでつくってからHerokuにシフトするといいもしれません。

基本的に部屋の中でデバックするにはかなり大変な印象を受けました。自分たちも体を動かしながらデバックしてましたｗ

protopedia.net

ついでにいうと、プレゼン中に途中で数字を入れる「謎」が難しすぎて、謎の方に気が引かれたのはハプニングでした。

発表の結果はLINE賞をいただきました。商品は開発で使用していたビーコンだったので今後の開発にも使えそうです！（購入しようと思っていたのでラッキーでした！）

今回は作りたいものを作ったという感じだったので、アイデア的には面白さはなかったかなという感じですが、今後の作品ではぜひWOWを作っていければと思っています。

【今回のMAイスター陣勢揃い写真】

今年も9月6日からMashupAwardsが始まりました。みなさんもお近くのハッカソンがあれば見学でもいいのでぜひのぞきに来てください。

MA2018 〜 ヒーローズ・リーグ 〜 – Make Wow, Feel Wow

あと、このハッカソンを企画していただいた市川さんお疲れ様でした！

Chrome OS（Chromium OS）を使ってみた

お盆休みということで結構作業時間が取れるなあと思っていたら、胃腸風邪にかかってしまいほぼお盆休みは終わってしまった感じです。使える時間も少なくなったので以前ちょと興味本位で使ってみたChrome OSをもう一回入れてみようと思います。

以前と言っても、リリースされた当初なのでデバイスはほどんどNG、無線LANも使えなかったり、Chromeアプリがあまり整備されていなかったのでGmailとChromeでのブラウジングだけだったような気がします。最近はかなり環境も変わっているので様子を見ようという感じです。（いい感じならChromeBookも購入の視野に入りますしね）

ちなみにですが、Chrome OSとは言っていますが、実際はオープンソース版のChromium OSを使用しています。

準備するもの

Chromium OSのインストールにあたって必要となるのは

• USBメモリ
• PC（USBブート可能な）

になります。容量はイメージを作ってみてわかったのですが、8GByteあれば足りそうな気もしますが、16GByteぐらいあれば余裕があると思います。

今回は USBメモリにはSanDiskのものを使用しました。

また、PCにはOSインストールの実験台になっているAspire one 753（2010年製）をしようしました。Windows7時代のPCでしたが、メモリは増設して4GByteにしています。USB経由でRaspberryPi Desktopを起動していますが、Windows10ではかなり重たい動きになるところが、こちらだと割といい動きをしています。

http://www2.acer.co.jp/catalog/1012/FIX_NBALL_0616.pdf

あと残るはOSのイメージになります。

OSのイメージ

起動に必要なChromium OSのイメージはオープンソースなのでクロスコンパイルしてねって感じになるのですが、さすがにそれは厳しいのであり物のイメージを使用します。

「Chromium OS」をビルドしたイメージファイルを配布しているサイトはいくつかあるようです。リリース当初も配布サイトはありました。

Chromium OS Builds

海外有志のChromium OSのビルドイメージサイト。毎日最新版のビルドのイメージファイルを作成しているようです。特別なハード用のドライバを仕込んだイメージもあるようでした。問題点は機械的にbuildを行っているので動作しない可能性もあるそうです。

Directory Listing of . (Chromium OS Builds)

Chromium OS カスタムビルド配布ページ

日本有志の方が安定動作するChromium OSを提供していたサイトのようです。ただバージョンR60で活動を終了しているようです。

Chromium OS カスタムビルド配布ページは活動を終了しました — Chromium OS Custom Biuild

CloudReady

Neverware社が製品化しているChromium OSとなります。個人利用は無料なのでビジネス用途、教育用途でなければ大丈夫そうです。

www.neverware.com

今回は、Chromium OS Buildsイメージをダウンロードしてみたのですが、うまく起動でき無かったので、CloudReadyのイメージをしようすることにしました。

イメージのダウンロード

Neverware社のホームページに行って 画面に表示されている【GET STARTED】ボタンをクリックします。

すると、画面がスクロールして以下のような表示になります。

ここで、個人向けなのかビジネス・教育向けなのかの選択を受けるので、左側の【INSTALL HOME EDITION】のボタンをクリックします。画面が以下のように遷移します。

このページにはインストールするためのステップが書いてあります。Step2の部分でWindowsユーザはUSBMakerなるソフトウエアが必要なので…という記載がありますが、とりあえず無視します。

STEP3の部分に進むと

Mac or Chromebook user? No problem!

という、Windowsユーザーをかなり不安にさせる記載がありますが、これも無視しますｗ画面に【DOWNLOAD 64-BIT】のボタンがあるのでこれをクリックすれば、イメージがダウンロードできます。

USBへのイメージ書き込み

公式ページにはUSBMakerというソフトがいるよーって書いてありましたが、実際には EtcherとかWin32DiskImagerを使っても起動USBを作成できます。

Win32DiskImagerでは極稀にエラーが発生することもあったのでEtcherのほうがおすすめです。（エラーが発生するとLinux環境からのfdiskなどでUSBメモリをクリーンな状態に戻す必要がありました。かなりめんどくさい）

あとは起動だけです。

起動！

ちなみにスクリーンキャプチャのショートカットはCtrl＋F5です。

無線LANも問題なく使用できますし、ChromeリモートデスクトップなどでWindowsマシンへのRDP、カメラ・マイクを使用したHangoutなども問題なくできていました。 素晴らしい！

8年落ちのPCでここまで動くなら問題ありません。Youtubeの高画質動画に関してはダメそうな気がしますが、Web系のサービス利用なら難なくこなせる感じでしょう。気になるのはエディタ環境だけかなと思いました。この辺って本格的に使用している人はどう使っているのか聞いてみたいところです。

注意点

自分はUSB起動でRaspberryPi DesktopとChromium OSを切り替えていた（つまりUSBの2本挿し）のですが、RaspberryPi Desktopを起動するときにChromium OSのUSBを挿したままで起動すると、Chromium OSのUSBのイメージが壊れてしましました。（ブート途中で反応しなくなる現象です） こういうこともああるかなと思いましたので、注記しておきます。

おわりに

本当に素晴らしい！こらならChrome BookをメインPCにしても行けるかなという気がしました。ネットワークはほぼ必須ですけどね。

動作のスピードに関してはRaspberryPi DesktopとChromium OSはほぼ同等に感じましたが、日本語フォントなどの設定が少なくすぐ使えるという感じではありました。どちらも一長一短があると思いますが、ビギナー向け？Googleのサービスに慣れている人向けであればChromium OSもおすすめできるのではないでしょうか。

ようやくTensorFlowがRaspberryPiを正式にサポート

おじさんは待っていました。そして正直うれしいです。 これまでも結構設定に苦労していましたが、これでようやく容易に準備できる環境になったと言ってもいいでしょう。

TensorFlow本家がようやくRaspberryPiがサポートしてくれました。

インストールに関しては以下でFAです。

【本家のリンク参考】 Installing TensorFlow on Raspbian  |  TensorFlow

他にもエントリー書かれている方がいますのでそちらを御覧ください。

shi3z.hateblo.jp

嬉しさのあまり、自分もエントリを書きますが、公式となにも変わらないと思いますので…

一応、今回の作業で

• TensorFlow → 1.9
• keras → 2.2.2
• OpenCV → 3.4.2

となっています。最後にコマンドをまとめてあるので必要があればみてください。

インストールの環境

今回は最新のRaspbianを使用しました。 ダウンロードしたファイルは2018-06-27-raspbian-stretch.zipとなります。ひとしきりインストールの関連作業を行います。 インストールしたバージョンは以下のようになっていました。

$ lsb_release -a
No LSB modules are available.
Distributor ID: Raspbian
Description:    Raspbian GNU/Linux 9.4 (stretch)
Release:        9.4
Codename:       stretch

必要条件としては

Raspberry Pi devices running Raspbian 9.0 or higher

とのことだったので問題はなさそうです。

pipもインストール時にこのようになっているので問題ありません。 Pythonは2系でも3系でも問題はなさそうなので、今回は3系でやってみます。

$ pip --version
pip 9.0.1 from /usr/lib/python2.7/dist-packages (python 2.7)

$ pip3 --version
pip 9.0.1 from /usr/lib/python3/dist-packages (python 3.5)

インストール作業

あとはインストールをするだけです。 TensorFlowのインストールにはATLASというライブラリが必要（依存する）ということなので ライブラリをインストールしてから、TensorFlowをのインストールを行うことになります。

【ATLAS】 Automatically Tuned Linear Algebra Software (ATLAS)

$ sudo apt install libatlas-base-dev
$ pip3 install tensorflow

これで終わりです！自分の環境では有線のネット接続で5分くらいで終わりました。3系のインストールのほうが依存関係のパッケージがprebuildされているので早いということも書いてありましたので3系使ったほうがいいと思います。

実行してみる

REPL環境でimportの実行を行ってみると…おやあ？

$ python3
Python 3.5.3 (default, Jan 19 2017, 14:11:04)
[GCC 6.3.0 20170124] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: compiletime version 3.4 of module 'tensorflow.python.framework.fast_tensor_util' does not match runtime version 3.5
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: builtins.type size changed, may indicate binary incompatibility. Expected 432, got 412
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 56, got 52
  return f(*args, **kwds)

自分も以前にこんなメッセージ見たことあるぞｗ。

ドキュメントにもこんな風に書かれています。

If you're running with Python 3.5, you may see a warning when you first import TensorFlow. This is not an error, and TensorFlow should continue to run with no problems, despite the log message.

Python3.5だとimport時にWarningがでるよって…自分で作業していたときにも同じようなメッセージが表示されていたので、そのときに使用したバイナリと同じものがpip経由でインストールされているものだったのでしょう。ドキュメントには実行に問題ないということが書いてあるのでそのままテストコードを入力してみます。

【参考：pythonがバージョン3.4とかそういう件だった話】

uepon.hatenadiary.com

$ python3
Python 3.5.3 (default, Jan 19 2017, 14:11:04)
[GCC 6.3.0 20170124] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: compiletime version 3.4 of module 'tensorflow.python.framework.fast_tensor_util' does not match runtime version 3.5
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: builtins.type size changed, may indicate binary incompatibility. Expected 432, got 412
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 56, got 52
  return f(*args, **kwds)
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
b'Hello, TensorFlow!'
>>>

一応問題なく実行してくれたようです。

念の為バージョンを確認すると

>>> tf.__version__
'1.9.0'

最新バージョンのようです。

ついでにkerasもインストールしてみます。

$ sudo pip3 install keras

REPL環境で実行してみますが問題はなさそうです。

>>> import keras
Using TensorFlow backend.
>>> keras.__version__
'2.2.2'

さらについでにOpenCV3.4.2をインストール

$ wget https://github.com/mt08xx/files/blob/master/opencv-rpi/libopencv3_3.4.2-20180709.1_armhf.deb
$ sudo apt install -y ./libopencv3_3.4.0-20180115.1_armhf.deb
$ sudo ldconfig

github.com

Python 3.5.3 (default, Jan 19 2017, 14:11:04)
[GCC 6.3.0 20170124] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import cv2
>>> cv2.__version__
'3.4.2'
>>>

認識なども問題ありません。

こちらもすんなりインストールできました。以前のTensorFlowとKerasを使用したコードを実行してみます。コードは以下のようなものです。

sample.py

from keras.models import Sequential
from keras.layers import Activation, Dense, Dropout
from keras.utils.np_utils import to_categorical
from keras.optimizers import Adagrad
from keras.optimizers import Adam
import numpy as np
from PIL import Image
import os

image_list = []
label_list = []

# トレーニングデータを読み込む
for dir in os.listdir("data/train"):

    traindir = "data/train/" + dir
    if os.path.isdir(traindir) == False:
        continue

    label = 0              # 正解ラベル

    if dir == "apple":
        label = 0          # りんごの場合は、0
    elif dir == "orange":
        label = 1          # オレンジの場合は、1

    for file in os.listdir(traindir):
        if file != ".DS_Store":

            label_list.append(label)            # 正解ラベルを配列に入れる

            filepath = traindir + "/" + file  # ファイルパス

            resized_img = Image.open(filepath).resize((25, 25))                                                    # 画像を25x25にリサイズする
            image = np.array(resized_img)                                                                       # 25x25の2次元配列にする→[[R,G,B], [R,G,B]...]
            image = image.transpose(2, 0, 1)                                                                 # 配列を次元を変換する→[[R,R,R,...], [G,G,G,...], [B,B,B,...]]
            image = image.reshape(1, image.shape[0] * image.shape[1] * image.shape[2]).astype("float32")[0]     # 1次元配列に変換→[R,R,R,...,G,G,G,...,B,B,B]
            image_list.append(image / 255.)                                                            # 0.0〜1.0までの値にして配列に入れる

image_list = np.array(image_list)       # 画像リストをnumpy配列に変換

Y = to_categorical(label_list)          # 正解ラベルを配列にする（0→[1,0], 1→[0,1]）

# 層を構築
model = Sequential()
# 入力層
model.add(Dense(200, input_dim=1875))
model.add(Activation("relu"))
model.add(Dropout(0.2))

# 隠れ層
model.add(Dense(200))
model.add(Activation("relu"))
model.add(Dropout(0.2))

# 出力層
model.add(Dense(2))
model.add(Activation("softmax"))

# オプティマイザにAdamを使用
opt = Adam(lr=0.001)
model.compile(loss="categorical_crossentropy", optimizer=opt, metrics=["accuracy"])
# nb_epoch: 学習回数
# batch_size: 1度に処理する分量（GPUモードの際は、メモリ制限がある場合がある）
model.fit(image_list, Y, nb_epoch=1500, batch_size=100, validation_split=0.1)
# model.fit(image_list, Y, nb_epoch=10, batch_size=100, validation_split=0.1)

total = 0.
ok_count = 0.

for dir in os.listdir("data/test"):
    
    testdir = "data/test/" + dir
    if os.path.isdir(testdir) == False:
        continue

    label = 0

    if dir == "apple":
        label = 0          # りんごの場合は、0
    elif dir == "orange":
        label = 1          # オレンジの場合は、1

    for file in os.listdir(testdir):
        if file != ".DS_Store":
            label_list.append(label)
            filepath = testdir + "/" + file

            resized_img = Image.open(filepath).resize((25, 25))    
            image = np.array(resized_img)
            image = image.transpose(2, 0, 1)
            image = image.reshape(1, image.shape[0] * image.shape[1] * image.shape[2]).astype("float32")[0]

            # 予測する
            print(filepath)
            result = model.predict_classes(np.array([image / 255.]))
            print("label:", label, "result:", result[0])

            total += 1.

            if label == result[0]:
                ok_count += 1.

print(ok_count / total * 100, "%")

実行結果

$ python3 07tf.py
Using TensorFlow backend.
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: compiletime version 3.4 of module 'tensorflow.python.framework.fast_tensor_util' does not match runtime version 3.5
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: builtins.type size changed, may indicate binary incompatibility. Expected 432, got 412
  return f(*args, **kwds)
/usr/lib/python3.5/importlib/_bootstrap.py:222: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 56, got 52
  return f(*args, **kwds)
07tf.py:65: UserWarning: The `nb_epoch` argument in `fit` has been renamed `epochs`.
  model.fit(image_list, Y, nb_epoch=1500, batch_size=100, validation_split=0.1)
Train on 35 samples, validate on 4 samples
Epoch 1/1500
35/35 [==============================] - 3s 86ms/step - loss: 0.7891 - acc: 0.5143 - val_loss: 0.0169 - val_acc: 1.0000
Epoch 2/1500
35/35 [==============================] - 0s 3ms/step - loss: 2.5033 - acc: 0.4286 - val_loss: 1.6119 - val_acc: 0.0000e+00
Epoch 3/1500

（中略）

Epoch 1500/1500
35/35 [==============================] - 0s 3ms/step - loss: 1.2697e-05 - acc: 1.0000 - val_loss: 1.1921e-07 - val_acc: 1.0000
data/test/orange/8242_1.jpg
label: 1 result: 1
data/test/orange/1152194_orange_isolated_on_white_background.jpg
label: 1 result: 1
data/test/orange/images (1).jpeg
label: 1 result: 1
data/test/orange/DKCcTzZXUAA0ckm.jpg
label: 1 result: 1
data/test/apple/81306024002557.jpg
label: 0 result: 0
data/test/apple/81306024002554.jpg
label: 0 result: 0
data/test/apple/1212043top.jpg
label: 0 result: 0
data/test/apple/1757f226647a6f1.jpg
label: 0 result: 0
100.0 %

こちらも無事に実行されています。

終わりに

過去の苦労がこれで解消されていくのかなと思います。 苦労が無駄だとは思いませんが、このくらい簡単になるとRaspberryPiのこの分野での存在感が高まってくるような気がします。

今回のインストール作業

$ sudo apt install libatlas-base-dev
$ pip3 install tensorflow
$ sudo pip3 install keras
$ wget https://github.com/mt08xx/files/blob/master/opencv-rpi/libopencv3_3.4.2-20180709.1_armhf.deb
$ sudo apt install -y ./libopencv3_3.4.0-20180115.1_armhf.deb
$ sudo ldconfig

【参考】

uepon.hatenadiary.com

uepon.hatenadiary.com

Twilioを使用して本当に5分でLineBotは作成できるのか？

以前のエントリーを書いている中で…

【参考】 uepon.hatenadiary.com

ハッカソンでも有名なTwilioの高橋さんから「TwilioならLINEbotがすぐ作れますよ」というコメントをもらったので、本当にそんなに簡単なのかを調べてみることにしました。

ググってみると…

www.youtube.com

という動画がありました。

「5分だと…」

前回までのエントリーが何だったのかを考えさせられてしまうパワーワード。Twilioは少しはかじってはいましたが、本格的に使ってはいなかったのですが、このタイミングで使用してみようと思います！そして本当に5分でできるのかも検証です！ （ちなみに自分はboundio時代からユーザですｗ）

準備

5分というのは、TwilioとLINEの双方に詳しくないとそのぐらいの時間では難しいかなと思いますゆっくり準備などをしていきます。 基本は動画を見てもらえればいいかなと思いますので、その他は軽めで…

必要なものは

• LINE Developerアカウント
• Twilioのアカウント
• ブラウザ（Chromeなど）

なのでこれらは事前に準備します。

LINE側の準備

まずはLINE側の設定を行います。基本は以前のエントリを参考にしてもらえればいいかなと思います。

【参考】 uepon.hatenadiary.com

以下のアドレスにアクセスを行い、画面右上の【ログイン】ボタンをクリックをします。

LINE Developers

ユーザー名とパスワードを入力して【ログイン】ボタンをクリックします。

ログインするとこれまでに作成したプロバイダー一覧が表示されるので、プロバイダーの選択または、新規で作成することになります。今回は事前に作成されていたプロバイダを使用することにします。リストから使用するプロバイダー名のもの（今回はMashup名古屋を例としています）をクリックします。

すると、プロバイダーで作成されたChannelの一覧が表示されます。今回は新しいbotを作成するので新規のChannelを作成することにします。画面内の【新規チャンネル作成】にマウスオーバーするとボタン部分がグリーンに変わるので

【新規チャンネル作成】ボタンをクリックします。

するとダイアログが開き、

• LINEログイン
• Messaging API
• Clovaスキル

からの選択になるので、Messaging APIをクリックします。

新規チャンネルの作成画面に遷移するので

まずは

• アプリアイコン画像
• アプリ名
• アプリ説明

を設定します。

自分はこんなふうに設定してみました。

• アプリアイコン画像（いらすとやのオウムの画像）
• アプリ名（TwilioParrot）
• アプリ説明（オウム返し）

続いては、画面をスクロールさせて

• プラン（Developer Trial・フリー）
• 大業種・小業種
• メールアドレス

を設定します。気にしなければいけないのはプランで【Developer Trial】を選択します。

すべての設定が完了したら画面下部にある【入力内容を確認する】ボタンをクリックします。

情報利用に関する同意のダイアログが表示されるので【同意する】ボタンをクリックします。

ダイアログが閉じると入力情報の確認画面になるので画面下部にある利用規約の同意チェックボックスの2つにチェックを入れて【作成】ボタンを押します。

するとアプリが作成されます。

今回作成したチャンネルを更に選択します。

選択したチャンネルの基本設定画面に遷移します。

この画面で表示されるChannel IDは以降で使用するのでメモなどをしておきます。

続いて、アクセストークンの再発行を行います。

【再発行】ボタンをクリックすると古いアクセストークンの失効時間の確認ダイアログが表示されます。 今回は新規作成したチャンネルですので0時間で問題ありません、そのまま【再発行】のボタンをクリックします。

無事に新しいアクセストークンが発行されました。こちらも以降の処理で必要になるパラメータなのでメモをしておきます。

更に画面を下にスクロールすると自動応答メッセージの設定があります。これらも【編集】ボタンをクリックして

【利用しない】にラジオボタンを設定して、【更新】ボタンをクリックします。

以下のようになっていればOKです。

最後にWebhook送信の設定を変更します。【編集】ボタンをクリックして

Botを作成する上では必須ともいえる設定なので忘れずに有効化してください。 ラジオボタンを【利用する】に合わせたら、【更新】ボタンをクリックします。

設定の表示が以下のようになっていればOKです。

一旦、これでLINE側の設定は終わりました。

Twilioの準備

続いては、Twilio側の設定になります。Twilio側で使用するのはChannelsとStudioになりますが、まずはChannels側の設定を行っていきます。 以下のリンクからTwilioへログインしていきます。

twilio.kddi-web.com

以下のような画面が表示されるのでアカウントを持っている人は画面右上にある【ログイン】ボタンをクリックします。アカウントが無い方は【サインアップ】ボタンをクリックして、まずはユーザーアカウントを作成してください。以下ではユーザーアカウントはあるものとして【ログイン】ボタンをクリックして処理を行っています。

【ログイン】の画面に遷移しますので、メールアドレスを入力して【次】ボタンをクリックします。

続いてはパスワードを入力して、【私はロボットではありません】というreCAPTCHAにチェックをいれて【ログイン】ボタンをクリックします。

ログインが無事できたら、ダッシュボードの画面に進みます。初期状態がダッシュボード画面でないこともあるようなので、以下のようなダッシュボード画面に遷移をお願いします。

今回設定するのはChannelsなので画面の左側にある【・・・】ボタン（マウスオーバーするとALL Products＆Servicesが表示されます）をクリックして

その中から【MARKETPLACE】の分類にある【Channels】をクリックします。

すると画面がChannelsカタログの画面に遷移します。その中からLINEを選択してインストールを行います。【LINE】のアイコンをクリックします。

LINEの設定になるので【インストール】ボタンをクリックしてインストールを行います。

途中でサービス使用条件の同意ダイアログが表示されるのでチェックボックスにチェックをいれて（チェックをいれると【同意してインストール】ボタンがアクティブになります）

【同意してインストール】ボタンをクリックします。これでインストール処理が行われます。画面が以下の様に遷移します。

この画面で行う設定は

• Programmable SMS Inbound
• CHANNEL ID
• CHANNEL ACCESS TOKEN

の3つのパラメータになります。画面の中程に集まっているのでここを設定していきます。

【Programmable SMS Inbound】のチェックボックスにチェックを入れ、LINEの設定側を行うときにメモをしたChannel IDを【CHANNEL ID】のテキストボックスへ、 LINEの設定画面で新たに発行したAccess Tokenを【CHANNEL ACCESS TOKEN】のテキストボックスへ入力します。

設定が終わったら画面下にある【保存】ボタンをクリックします。

【保存】ボタンをクリックすると設定内の【受信チャンネルURL】の文字列が長くなります。（保存の処理により生成されたことがわかります）

この受信チャンネルURLの値をメモして、再びLINEのチャンネル設定の画面に戻ります。

再びLINEへ

LINEのChannel設定の画面に戻ったら、メッセージ送受信設定の分類にあるWebhook URLの値をTwilio Channelsでメモを行った【受信チャンネルURL】に変更します。

【編集】ボタンをクリックして、テキストボックスを表示させます。

Twilio Channelsでメモを行った【受信チャンネルURL】をテキストボックスに入力します。テキストボックスに入れる値はメモしたURLから先頭のhttp://を除いたものにするのを注意してください。

設定したら【更新】ボタンをクリックします。更新が終わると【接続確認】が表示されるようになるので、クリックして接続テストを行います。

設定値のしたに「成功しました」と表示されればOKです。

これでLINE側の設定は完了しました。

再びTwilioへ

再び今度はTwilioの設定を行います。今回はStudio側（バックエンド側）の設定となります。 ダッシュボード画面の左側の【・・・】ボタン（All Products&Service）を開いて

ENGAGEMENTS CLOUDの分類にあるStudioをクリックします。

画面がStudio Dashboardに遷移するので【Create a flow】のボタンをクリックします。（この画面にならなくても違う形でボタンは表示されると思います。）

作成するFlowの名前をつけるダイアログが表示されるので名前をテキストに入力します。今回はTwilioParrotという名前にしてみました。

次に表示されるのは作り方になりますが、【Start from scratch】がデフォルトで選択されていましたので、このまま【NEXT】ボタンをクリックします。

Flowが作られるとCanvasが表示されます。これを編集していくことになります。

まずは、Canvasの右側にある【WIDGET LIBRARY】から【Send Message】をCanvasにドロップします。

【ドロップ中】

ドロップすると新たにBOXが表示されます。名前の表示が促されると思いますので適当に名前をつけてください。

【Trigger】BOXの【Incoming Message】のコネクタと今作成した【send_message】BOXのコネクタをマウスで接続します。以下の様に矢印ができていればOKです。

次に､【send_message】BOXをクリックします。すると、【SEND MESSAGE】の設定表示が行われるので、【Config】タブの【MESSAGE BODY】に

{{trigger.message.Body}}

と入力を行います。（入力補完されるので途中まで入力すると選択肢が表示されます） 入力が終わったら【Save】ボタンをクリックします。

最後に【Trigger】BOXを選択して【FLOW CONFIGURATION】を表示させます。設定の中の【WEBHOOK URL】をメモしておきます。 これで、Twilio Studioとなります。

再度、Twilio Channelsの設定へ

先程メモしておいた【WEBHOOK URL】をCHANNELSのLINEの設定に埋め込みます。Configurationの分類にある【CALLBACK URL】のテキストボックスにメモをしておいた 【WEBHOOK URL】を入力して、【保存】ボタンをクリックすれば処理完了です。

これで設定は完了です。（注）実は終わっていませんでした。残りは後述します。

テスト

あとはLINEのアプリからのテストになりますので、今回作成したBOTに友だち申請を行い、書き込みを行っていきます。LINEのチャンネル側設定画面にQRコードがあるのでそれを使うと便利です。

友だち申請がされると以下のような画面になります。

そこで会話をしてみると…帰ってこない…(´;ω;`)ブワッ

設定漏れがないか確認してみました。

するとTwilio Studio側の設定で一つ漏れがありました。 画面上部に【Publish】ボタンが！！公開状態になっているのかなと思っていたのですが、逆にボタンを押さないと公開状態にならないということでした。 またこのボタン、一度押すと非アクティブになるので、初回のテスト時では必ず押しておく必要がありそうでした。

【Publish】ボタンを押すと、確認ボタンがでますのでもう一度ダイアログ上で【Publish】ボタンを押します。

処理が完了すると【Publish】ボタンが【Published】となり非アクティブ化されます。

では、再度テストを行ってみます。（これ以外の設定は触らなくてもテスト出来ます。）

ようやく動いてくれました。

終わりに

無事におわりました。時間からすると初めてだと5分では完成できないにしろ、流れがわかってしまえば2回目からは5分程度で作成できますね。 ほぼにノンコーディングでやれるのはいい感じです！