import chainer.functions as F
import chainer
import numpy as np
a=chainer.Variable(np.array([[1],[2],[3]],dtype=np.float32))
b=chainer.Variable(np.array([[11],[12]],dtype=np.float32))
c=chainer.Variable(np.array([[21]],dtype=np.float32))
tpl=(a,b,c)
F.pad_sequence(tpl)
variable([[[ 1.],
[ 2.],
[ 3.]],
[[11.],
[12.],
[ 0.]],
[[21.],
[ 0.],
[ 0.]]])
こちら
で紹介しているSeq2Seqを動く形で作成しなおしてみました。
train_pair = [
["初めまして。", "初めまして。よろしくお願いします。"],
["どこから来たんですか？", "日本から来ました。"],
["日本のどこに住んでるんですか？", "東京に住んでいます。"],
["仕事は何してますか？", "私は会社員です。"],
["お会いできて嬉しかったです。", "私もです！"],
["おはよう。", "おはようございます。"],
["いつも何時に起きますか？", "6時に起きます。"],
["朝食は何を食べますか？", "たいていトーストと卵を食べます。"],
["朝食は毎日食べますか？", "たまに朝食を抜くことがあります。"],
["野菜をたくさん取っていますか？", "毎日野菜を取るようにしています。"],
["週末は何をしていますか？", "友達と会っていることが多いです。"],
["どこに行くのが好き？", "私たちは渋谷に行くのが好きです。"]
]
test_pair = [
["初めまして。", "初めまして。よろしくお願いします。"],
["どこから来たんですか？", "米国から来ました。"],
["米国のどこに住んでるんですか？", "ニューヨークに住んでいます。"],
["おはよう。", "おはよう。"],
["いつも何時に起きますか？", "7時に起きます。"],
["夕食は何を食べますか？", "たいていトーストと卵を食べます。"],
["夕食は毎日食べますか？", "たまに朝食を抜くことがあります。"],
["肉をたくさん取っていますか？", "毎日インクを取るようにしています。"],
["週頭は何をしていますか？", "友達と会っていることが多いです。"],
]
# https://nojima.hatenablog.com/entry/2017/10/10/023147
import nltk
import MeCab
import chainer
from chainer.datasets import split_dataset_random , cifar
import chainer.links as L
import chainer.functions as F
import random
import numpy as np
import codecs
SIZE=10000
EOS=1
UNK=0
class EncoderDecoder(chainer.Chain):
def __init__(self, n_vocab, n_out, n_hidden):
super(EncoderDecoder,self).__init__()
with self.init_scope():
self.embed_x = L.EmbedID(n_vocab, n_hidden)
self.embed_y = L.EmbedID(n_out,n_hidden)
self.encoder = L.NStepLSTM(
n_layers=1,
in_size=n_hidden,
out_size=n_hidden,
dropout=0.1)
self.decoder = L.NStepLSTM(
n_layers=1,
in_size=n_hidden,
out_size=n_hidden,
dropout=0.1)
self.W = L.Linear(n_hidden, n_out)
def __call__(self, xs , ys ):
xs = [x[::-1] for x in xs]
eos = self.xp.array([EOS], dtype=np.int32)
ys_in = [F.concat((eos, y), axis=0) for y in ys]
ys_out = [F.concat((y, eos), axis=0) for y in ys]
# Both xs and ys_in are lists of arrays.
exs = [self.embed_x(x) for x in xs]
eys = [self.embed_y(y) for y in ys_in]
hx, cx, _ = self.encoder(None, None, exs)
_, _, os = self.decoder(hx, cx, eys)
batch = len(xs)
concat_os = F.concat(os, axis=0)
concat_ys_out = F.concat(ys_out, axis=0)
loss = F.sum(F.softmax_cross_entropy(self.W(concat_os), concat_ys_out, reduce='no')) / batch
chainer.report({'loss': loss}, self)
n_words = concat_ys_out.shape[0]
perp = self.xp.exp(loss.array * batch / n_words)
chainer.report({'perp': perp}, self)
return loss
def translate(self,xs,max_length=30):
with chainer.no_backprop_mode(),chainer.using_config("train",False):
xs=xs[::-1] # reverse list
#exs = [self.embed_x(x) for x in xs]
exs = self.embed_x(xs)
hx, cx, _ = self.encoder(None, None, [exs])
result=[]
word_id=EOS
for i in range(max_length):
os,cs=self._translate_word(word_id,hx,cx)
word_id=int(F.argmax(os).data)
if word_id==EOS:break
result.append(word_id)
return result
def _translate_word(self,word_id,hx,cx):
y=np.array([word_id],dtype=np.int32)
ey=self.embed_y(y)
_, cs, os = self.decoder(hx, cx, [ey])
fos=F.softmax(self.W(os[0]))
return fos,cs
class Data(chainer.dataset.DatasetMixin):
def __init__(self):
mecab = MeCab.Tagger("-Owakati")
self.vocab={"":0,"":1}
def to_dataset(source,target,train=True):
swords = to_number(mecab.parse(source).strip().split(" "),train)
twords = to_number(mecab.parse(target).strip().split(" "),train)
return (np.array(swords).astype(np.int32),np.array(twords).astype(np.int32))
def to_number(words,train):
ds=[]
for w in words:
if w not in self.vocab:
if train:
self.vocab[w]=len(self.vocab)
else:
w=""
ds.append(self.vocab[w])
return ds
self.train_data=[]
self.test_data=[]
for source,target in train_pair:
self.train_data.append(to_dataset(source,target))
for source,target in test_pair:
self.test_data.append(to_dataset(source,target,False))
self.vocab_inv={}
for w in self.vocab.keys():
self.vocab_inv[self.vocab[w]]=w
def convert(batch, device):
def to_device_batch(batch):
return [chainer.dataset.to_device(device, x) for x in batch]
res= {'xs': to_device_batch([x for x, _ in batch]),
'ys': to_device_batch([y for _, y in batch])}
return res
seed = 12345
random.seed(seed)
np.random.seed(seed)
data = Data()
batchsize=128
#train_iter = chainer.iterators.MultithreadIterator(train,batchsize,n_threads=4)
#test_iter=chainer.iterators.MultithreadIterator(test,len(test),repeat=False,shuffle=False,n_threads=4)
train_iter = chainer.iterators.SerialIterator(data.train_data,batchsize)
test_iter=chainer.iterators.SerialIterator(data.test_data,len(data.test_data))
n_vocab=len(data.vocab)
n_out=len(data.vocab)
n_hidden=300
print("n_vocab:",n_vocab)
optimizer=chainer.optimizers.Adam()
mlp=EncoderDecoder(n_vocab,n_out,n_hidden)
optimizer.setup(mlp)
updater=chainer.training.StandardUpdater(train_iter,optimizer,converter=convert,device=-1)
#train
epochs=1000
trainer=chainer.training.Trainer(updater,(epochs,"epoch"),out="dialog_result")
trainer.extend(chainer.training.extensions.LogReport())
trainer.extend(chainer.training.extensions.PrintReport(['epoch', 'main/loss', 'main/accuracy']))
trainer.run()
mlp.to_cpu()
chainer.serializers.save_npz("dialog.model",mlp)
# https://nojima.hatenablog.com/entry/2017/10/17/034840
mlp=EncoderDecoder(n_vocab,n_out,n_hidden)
chainer.serializers.load_npz("dialog.model",mlp,path="")
for source,target in data.test_data:
predict=mlp.translate(np.array(source))
print("source:",[data.vocab_inv[w] for w in source])
print("predict:",[data.vocab_inv[w] for w in predict])
print("target:",[data.vocab_inv[w] for w in target])
結果
n_vocab: 71 epoch main/loss main/accuracy 1 34.5502 2 31.7847 3 29.1603 4 26.6713 5 24.3079 6 22.0612 7 19.9224 8 17.8789 9 15.919 10 14.0387 11 12.2457 12 10.5555 13 8.98597 14 7.55335 15 6.26964 16 5.14105 17 4.16823 18 3.34746 19 2.67084 20 2.12592 21 1.69575 22 1.36043 23 1.10025 24 0.898079 25 0.740202 26 0.616168 27 0.518174 28 0.44032 29 0.378046 30 0.327818 31 0.286931 32 0.253339 33 0.225496 34 0.202227 35 0.18263 36 0.166004 37 0.151796 38 0.139575 39 0.128993 40 0.119775 41 0.1117 42 0.104586 43 0.09829 44 0.0926925 45 0.0876961 46 0.0832203 47 0.0791977 48 0.0755707 49 0.0722914 50 0.0693159 51 0.0666087 52 0.0641389 53 0.0618778 54 0.0598021 55 0.0578909 56 0.0561267 57 0.0544931 58 0.0529775 59 0.051567 60 0.0502504 61 0.0490188 62 0.0478641 63 0.0467791 64 0.0457571 65 0.0447925 66 0.0438801 67 0.0430147 68 0.0421937 69 0.0414122 70 0.0406681 71 0.039957 72 0.0392778 73 0.0386279 74 0.0380038 75 0.037405 76 0.0368287 77 0.0362744 78 0.0357389 79 0.0352229 80 0.0347236 81 0.0342409 82 0.0337726 83 0.0333189 84 0.0328779 85 0.0324506 86 0.0320346 87 0.0316298 88 0.0312351 89 0.0308511 90 0.0304759 91 0.0301098 92 0.0297521 93 0.0294023 94 0.0290616 source: ['初め', 'まして', '。'] predict: ['初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。', '初め', 'まして', '。'] target: ['初め', 'まして', '。', 'よろしくお願いします', '。'] source: ['どこ', 'から', '来', 'た', 'ん', 'です', 'か', '？'] predict: ['日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来', '日本', 'から', '来'] target: ['トレイニングデータは収束しているようですが，結果はまだまだダメそうですね。', 'から', '来', 'まし', 'た', '。'] source: [' ', 'の', 'どこ', 'に', '住ん', 'でる', 'ん', 'です', 'か', '？'] predict: ['東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん', '東京', 'に', '住ん'] target: [' ', 'に', '住ん', 'で', 'い', 'ます', '。'] source: ['おはよう。'] predict: ['おはよう', 'ござい', 'ます', '。'] target: ['おはよう。'] source: ['いつも', '何', '時', 'に', '起き', 'ます', 'か', '？'] predict: ['6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に', '6', '時', 'に'] target: [' ', '時', 'に', '起き', 'ます', '。'] source: [' ', 'は', '何', 'を', '食べ', 'ます', 'か', '？'] predict: ['たいてい', 'トースト', 'と', '卵', 'を', '抜く', 'たいてい', 'トースト', 'と', '卵', 'を', '抜く', 'たいてい', 'トースト', 'と', '卵', 'を', '抜く', 'たいてい', 'トースト', 'と', '卵', 'を', '抜く', 'たいてい', 'トースト', 'と', '卵', 'を', '抜く'] target: ['たいてい', 'トースト', 'と', '卵', 'を', '食べ', 'ます', '。'] source: [' ', 'は', '毎日', '食べ', 'ます', 'か', '？'] predict: ['たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食', 'を', '抜く', 'たまに', '朝食'] target: ['たまに', '朝食', 'を', '抜く', 'こと', 'が', 'あり', 'ます', '。'] source: [' ', 'を', 'たくさん', '取っ', 'て', 'い', 'ます', 'か', '？'] predict: ['毎日', '野菜', 'を', '取る', 'よう', 'に', '毎日', '野菜', 'を', '取る', 'よう', 'に', '毎日', '野菜', 'を', '取る', 'よう', 'に', '毎日', '野菜', 'を', '取る', 'よう', 'に', '毎日', '野菜', 'を', '取る', 'よう', 'に'] target: ['毎日', ' ', 'を', '取る', 'よう', 'に', 'し', 'て', 'い', 'ます', '。'] source: [' ', ' ', 'は', '何', 'を', 'し', 'て', 'い', 'ます', 'か', '？'] predict: ['友達', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と', '会っ', 'て', 'いる', 'と'] target: ['友達', 'と', '会っ', 'て', 'いる', 'こと', 'が', '多い', 'です', '。']
Bashの変数から拡張子を除いたファイル名を取得するには
a="file.txt"
echo ${a%%.txt} # aと表示これをうまく利用すると一気にディレクトリ内のファイルの拡張子を変更できます。txtをjsonに変更する例はこれ。
for f in *.txt;do mv $f ${f%%.*}.json; done
import pandas as pd
df = pd.DataFrame({'age': [24, 42], 'state': ['NY', 'CA'], 'point': [64, 92]},index=['Alice', 'Bob'])
df
age state point
Alice 24 NY 64
Bob 42 CA 92
これからpointの値をとる
val=df["point"]
type(val)
Seriesとなり，Intでは所得できない
valuesをつければNumpyのarrayとして取得できる。
val.values
array([64, 92])
type(val.values)
val.values[0]
64
AWSのlambdaはサーバレスアーキテクチャで非常に扱いがいいのですが、一つ難点があって、アップロードできるファイルサイズが限られていることです。
最大50MのZIPファイルまでなのですが、裏技を使って展開時に500M以上のファイルを使うことができます。
そのカラクリは、Lambdaの/tmp以下は500Mまで使うことができます。この領域に、Lambdaが起動するときにファイルをS3から読み込めば、非常に大きなライブラリが必要なプログラムも動かすことができます。
以下は、pythonにてkeras+tensorflow+opencvを動かすサンプルです。
python3を使用します。
ライブラリは、あらかじめ、EC2でAmazonLinuxを使って作成しておきます。
requirements.txt
keras opencv-python tensorflow numpy
mkdir lib pip3 install -U -r requirements.txt -t lib
このlib以下にライブラリがインストールされます。
find lib -name "*.pyc" -exec rm -rf {} ¥;
pycは削除しておきます。しなくてもいいですが。。。
これを全てLambdaの起動時に追加してもいいのですが、ロードが面倒になるので２つに分けます。
mv lib lib_other mkdir lib cd lib_other mv cv2* ../lib mv h5py* ../lib mv keras* ../lib mv tensor* ../lib cd ..
libを固めてS3にアップ
zip -r lib.zip lib aws s3 cp s3://bucketname/
lambda用のディレクトリに、先ほど分けたlib_otherのライブラリを入れておきます。
これ全部を入れてようやく５０Mぐらいまでに収まります。
mkdir lambda_dir cd lambda_dir mkdir vendor cd vendor cp -pr ../../lib_other/* .
lambdaのプログラムには少し工夫が必要です。
起動時に、S3から先ほどアップしたlib.zipをダウンロードし展開、ロードします。
lambda_functioy.py
import sys
import os
sys.path.append(os.path.join(os.path.abspath(os.path.dirname(__file__)), './vendor'))
import boto3
import zipfile
import importlib
def lambda_handler(event, context):
s3 = boto3.resource("s3")
def load_zip(file):
print("load_zip:"+file)
s3.Bucket(bucket_name).download_file(libfiledir+"/"+file,"/tmp/"+file)
with zipfile.ZipFile("/tmp/"+file) as zip:
zip.extractall("/tmp")
os.remove("/tmp/"+file)
if os.path.exists("/tmp/lib") is False: # 2回目以降はスキップ
load_zip("lib.zip")
sys.path.append('/tmp/lib')
importlib.import_module("numpy")
importlib.import_module("scipy")
importlib.import_module("six")
importlib.import_module("yaml")
importlib.import_module("enum")
importlib.import_module("h5py")
importlib.import_module("absl")
importlib.import_module("astor")
importlib.import_module("bleach")
importlib.import_module("external")
importlib.import_module("gast")
importlib.import_module("google.protobuf")
importlib.import_module("grpc")
importlib.import_module("html5lib")
importlib.import_module("markdown")
importlib.import_module("werkzeug")
importlib.import_module("wheel")
importlib.import_module("cv2")
importlib.import_module("tensorflow")
importlib.import_module("keras")
import cv2
import keras
import numpy as np
こんな感じでコードを書きます。
Lambdaは一度起動すると、しばらくはインスタンスが残っているので、２回目以降に再度S3からダウンロードするのを防ぎます。
こんな感じで、５００M以上のモジュールをつかったLambdaファンクションが作ることができます。
複数出力の回帰をKerasで行います。
通常、回帰分析は複数の説明変数に一つの目的変数なのですが、これは、複数の目的変数を取ることができます。
multivariateとmultivariableの違いはこのあたりを参照のこと。
コードはこちらを参考にこんな感じ。
import numpy as np
from keras.layers import Dense,Activation
from keras.models import Sequential
model = Sequential()
model.add(Dense(16, input_shape=(1,)))
model.add(Activation('relu'))
model.add(Dense(16, input_shape=(1,)))
model.add(Activation('relu'))
model.add(Dense(2))
model.compile(loss='mean_squared_error', optimizer='Adam')
inputs = np.zeros((10, 1), dtype=np.float32)
targets = np.zeros((10, 2), dtype=np.float32)
for i in range(10):
inputs[i] = i / 10.0
targets[i, 0] = 1.0-0.1 * i / 2.0
targets[i, 1] = 0.01 * i
model.fit(inputs,targets,epochs=200,batch_size=5)
print(targets)
print(model.predict(inputs))
結果
[[1. 0. ] [0.95 0.01] [0.9 0.02] [0.85 0.03] [0.8 0.04] [0.75 0.05] [0.7 0.06] [0.65 0.07] [0.6 0.08] [0.55 0.09]] [[0.88971126 0.00797045] [0.9289691 0.02162787] [0.8843044 0.02890772] [0.8396398 0.03618753] [0.7949753 0.04346737] [0.7503106 0.0507472 ] [0.70564604 0.058027 ] [0.6609814 0.06530684] [0.61631685 0.07258669] [0.57165223 0.0798665 ]]
ちゃんと学習できているようです
mxnetのインストールがエラーになるのでその対処方法
mxnetを使用する際に，インストール方法が公式サイトにも書いているのですが，
その方法ではインストール時にエラーが出ます。使っている環境がMacだからなのかもしれませんが。。
この環境で下記コマンドでインストール
> install.packages("mxnet", type = "el-capitan.binary")
Installing package into ‘/usr/local/lib/R/3.4/site-library’
(as ‘lib’ is unspecified)
Warning in install.packages :
package ‘mxnet’ is not available (for R version 3.4.3)
どうやらVersionがあっていないようでインストールできないようです。
ググっていろいろなやり方を試したのですがダメ。
> cran <- getOption("repos")
> cran["dmlc"] <- "https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/"
> options(repos = cran)
> install.packages("mxnet")
Installing package into ‘/usr/local/lib/R/3.4/site-library’
(as ‘lib’ is unspecified)
URL 'https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/src/contrib/mxnet_0.10.1.tar.gz' を試しています
Warning in install.packages :
cannot open URL 'https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/src/contrib/mxnet_0.10.1.tar.gz': HTTP status was '404 Not Found'
Error in download.file(url, destfile, method, mode = "wb", ...) :
URL 'https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/src/contrib/mxnet_0.10.1.tar.gz' を開けません
Warning in install.packages :
download of package ‘mxnet’ failed
> install.packages("mxnet", type = "mac.binary")
Installing package into ‘/usr/local/lib/R/3.4/site-library’
(as ‘lib’ is unspecified)
Warning in install.packages :
unable to access index for repository https://cran.rstudio.com/bin/macosx/contrib/3.4:
URL 'https://cran.rstudio.com/bin/macosx/contrib/3.4/PACKAGES' を開けません
Warning in install.packages :
unable to access index for repository https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/bin/macosx/contrib/3.4:
URL 'https://s3-us-west-2.amazonaws.com/apache-mxnet/R/CRAN/bin/macosx/contrib/3.4/PACKAGES' を開けません
package ‘mxnet’ is available as a source package but not as a binary
Warning in install.packages :
package ‘mxnet’ is not available (as a binary package for R version 3.4.3)
> install.packages("mxnet", type = "el-capitan.binary")
Installing package into ‘/usr/local/lib/R/3.4/site-library’
(as ‘lib’ is unspecified)
Warning in install.packages :
package ‘mxnet’ is not available (for R version 3.4.3)
まずOpenCVをインストール
brew install opencv
OpenBlasも入れます
brew install openblas
最後にソースコードからダウンロードしてインストールします
git clone --recursive https://github.com/dmlc/mxnet cd mxnet cp make/osx.mk config.mk make -j4 make rpkg
これでインストールが終わっています
$ R R version 3.4.3 (2017-11-30) -- "Kite-Eating Tree" Copyright (C) 2017 The R Foundation for Statistical Computing Platform: x86_64-apple-darwin17.4.0 (64-bit) R は、自由なソフトウェアであり、「完全に無保証」です。 一定の条件に従えば、自由にこれを再配布することができます。 配布条件の詳細に関しては、'license()' あるいは 'licence()' と入力してください。 R は多くの貢献者による共同プロジェクトです。 詳しくは 'contributors()' と入力してください。 また、R や R のパッケージを出版物で引用する際の形式については 'citation()' と入力してください。 'demo()' と入力すればデモをみることができます。 'help()' とすればオンラインヘルプが出ます。 'help.start()' で HTML ブラウザによるヘルプがみられます。 'q()' と入力すれば R を終了します。 > library(mxnet) >
これで使えそうです。多分。
大学のサーバでどうしてもJupyter Notebookが動かしたいのでメモ。
データをSQLiteで管理しており，これのサイズが１０Gを超え始めた。計算などは大学のサーバで行なっているのであるが，RやJupyterなどビジュアルなツールを使いたい時にはいちいちローカルのPCへSQLiteをコピーするのが大変。
以前Xサーバを使ったリモートでの起動を試したが，どうも使いづらい。
Macからだと，XQuartzをあらかじめMacにインストールしておき，
以下のSSHコマンドで接続し，
[mac] $ ssh -Y remotehost
Jupyterを起動するだけ。
[server] $ jupyter notebook
これで，リモートサーバでFirefoxが立ち上がり，MacのXQuartzで表示される。
しかしこれがいかんせん使いづらい。遅いし，サーバ側のFirefoxなので見た目も悪く，日本語入力も一苦労。
まずはここを参考に設定する。
$ jupyter notebook --generate-config
~/.jupyter/jupyter_notebook_config.pyを編集。ポートが8080が空いている場合には以下のように指定する。
c.NotebookApp.ip = '0.0.0.0' c.NotebookApp.open_browser = False c.NotebookApp.port = 8080
Rも使いたいので，ここを参考にRを起動してインストール。
install.packages(c('repr', 'IRdisplay', 'crayon', 'pbdZMQ', 'devtools'))
devtools::install_github('IRkernel/IRkernel')
IRkernel::installspec()
$ jupyter notebook [I 17:43:07.065 NotebookApp] Serving notebooks from local directory: /tmp [I 17:43:07.066 NotebookApp] 0 active kernels [I 17:43:07.066 NotebookApp] The Jupyter Notebook is running at: [I 17:43:07.066 NotebookApp] http://0.0.0.0:8080/?token=37e418b82da8472bf89798f70a92dda90003f61509xxxxx
起動時に現れるこれから，
http://0.0.0.0:8080/?token=37e418b82da8472bf89798f70a92dda90003f61509xxxxx
以下のようにPCのブラウザのアドレスバーに打ち込めばOK
http://server:8080/?token=37e418b82da8472bf89798f70a92dda90003f61509xxxxx
昨日までちゃんとアクセスてきていたのですが，今日，git pushしようとするとエラーが発生。
fatal: unable to access 'http://github.com/xxxxx/yyyy.git/': error:1407742E:SSL routines:SSL23_GET_SERVER_HELLO:tlsv1 alert protocol version
ここに書いていました。SSLプロトコルはどうやら仕様から外れた模様。TLSにあげてくださいとのことです。
使っている大学のサーバのアプリケーションは古いモジュールが多く，OPENSSLもいまだに0.9.8のもの。相当古いです。。。
そこでインストールし直しますが，大学のサーバなので，ユーザ領域にインストールする必要があります。
| サーバ | cray スパコン |
| ユーザ領域 | /work/$USER |
wget https://www.openssl.org/source/openssl-1.0.2n.tar.gz tar zxvfp openssl-1.0.2n.tar.gz cd openssl-1.0.2n
./config -fPIC --prefix=/work/$USER/local shared make make install
ここを参考に，32bitモードでコンパイルします，これはいらないかも？
setarch i386 ./config -m32 -fPIC --prefix=/work/$USER/local shared make clean make make install
wget https://curl.haxx.se/download/curl-7.47.1.tar.gz tar zxvfp curl-7.47.1.tar.gz cd curl-7.47.1
PKG_CONFIG_PATH=/work/$USER/local/lib/pkgconfig ./configure --prefix=/work/$USER/local --enable-libcurl-option --with-ssl=/work/$USER/local --with-includes=/work/$USER/local/include/openssl
make make install
wget https://github.com/git/git/archive/v2.16.2.tar.gz tar zxvfp v2.16.2.tar.gz cd git-2.16.2 ./configure CFLAGS='-I/work/$USER/local/include' LDFLAGS='-L/work/$USER/local/lib64' --prefix=/work/$USER/local --with-openssl=/work/$USER/local --without-tcltk make make install
sudo apt-get install libxml2-utils
~/.vimrc
au FileType xml exe ":silent 1,$!xmllint --format --recover - 2>/dev/null"