message RolloutRequest { // Index of rollout int32 rollout_index = 1; // Random seed from the master int32 env_seed = 2; // The weights of the neural network policy Repeated double policy_weights = 3; // Whether this request is evaluation bool evaluate = 4; } message RolloutResponse { // Index of rollout int32 rollout_index = 1; // The reward collected in the rollout double rollout_rewards = 2; } service Rollout { // The RPC service for policy evaluation rpc RolloutWithParameter(RolloutRequest) returns (RolloutResponse) {} }
message RolloutRequest {
// Index of rollout
int32 rollout_index = 1;
// Random seed from the master
int32 env_seed = 2;
// The weights of the neural network policy
Repeated double policy_weights = 3;
// Whether this request is evaluation
bool evaluate = 4;
}
message RolloutResponse {
// The reward collected in the rollout
double rollout_rewards = 2;
service Rollout {
// The RPC service for policy evaluation
rpc RolloutWithParameter(RolloutRequest) returns (RolloutResponse) {}
GCLOUD_PROJECT={your-project-id} # Create a cluster. gcloud container clusters create es-cluster \ --zone=us-central1-a \ --machine-type=n1-standard-64 \ --max-nodes=20 \ --min-nodes=16 \ --num-nodes=17 \ --enable-autoscaling \ --project ${GCLOUD_PROJECT}
GCLOUD_PROJECT={your-project-id}
# Create a cluster.
gcloud container clusters create es-cluster \
--zone=us-central1-a \
--machine-type=n1-standard-64 \
--max-nodes=20 \
--min-nodes=16 \
--num-nodes=17 \
--enable-autoscaling \
--project ${GCLOUD_PROJECT}
# Step 1: Build a container image for the controller and the workers. gcloud builds submit \ --tag gcr.io/${GCLOUD_PROJECT}/es-on-gke:1.0 . \ --timeout 3600 \ --project ${GCLOUD_PROJECT} # Step 2: Replace the ${GCLOUD_PROJECT} in the YAML file and run the command. kubectl apply -f deploy_workers.yaml # Step 3: When all the workers are started and running, # replace the ${GCLOUD_PROJECT} in the YAML file and run the command. kubectl apply -f deploy_master.yaml
# Step 1: Build a container image for the controller and the workers.
gcloud builds submit \
--tag gcr.io/${GCLOUD_PROJECT}/es-on-gke:1.0 . \
--timeout 3600 \
# Step 2: Replace the ${GCLOUD_PROJECT} in the YAML file and run the command.
kubectl apply -f deploy_workers.yaml
# Step 3: When all the workers are started and running,
# replace the ${GCLOUD_PROJECT} in the YAML file and run the command.
kubectl apply -f deploy_master.yaml
POD_NAME=$(kubectl get pod | grep es-master | awk '{print $1}') # Download reward vs time plot. kubectl cp $POD_NAME:/var/log/es/log/reward_vs_time.png $HOME/ # Download reward vs iteration plot. kubectl cp $POD_NAME:/var/log/es/log/reward_vs_iteration.png $HOME/ # Download best model so far. kubectl cp $POD_NAME:/var/log/es/log/best_model.npz $HOME/ # Download model at iteration 1000. kubectl cp $POD_NAME:/var/log/es/log/model_1000.npz $HOME/ # Download all test scores. kubectl cp $POD_NAME:/var/log/es/log/scores.csv $HOME/
POD_NAME=$(kubectl get pod | grep es-master | awk '{print $1}')
# Download reward vs time plot.
kubectl cp $POD_NAME:/var/log/es/log/reward_vs_time.png $HOME/
# Download reward vs iteration plot.
kubectl cp $POD_NAME:/var/log/es/log/reward_vs_iteration.png $HOME/
# Download best model so far.
kubectl cp $POD_NAME:/var/log/es/log/best_model.npz $HOME/
# Download model at iteration 1000.
kubectl cp $POD_NAME:/var/log/es/log/model_1000.npz $HOME/
# Download all test scores.
kubectl cp $POD_NAME:/var/log/es/log/scores.csv $HOME/
# Train locally. # E.g. bash ./train_local.sh -c configs/BipedalWalkerHardcore.gin -n 10 bash ./train_local.sh -c {path-to-config-file} -n {number-of-workers} # Test locally. # E.g. python test.py --checkpoint=1000 --logdir=./log python test.py --checkpoint={checkpoint} --logdir={path-to-log-directory}
# Train locally.
# E.g. bash ./train_local.sh -c configs/BipedalWalkerHardcore.gin -n 10
bash ./train_local.sh -c {path-to-config-file} -n {number-of-workers}
# Test locally.
# E.g. python test.py --checkpoint=1000 --logdir=./log
python test.py --checkpoint={checkpoint} --logdir={path-to-log-directory}
model1 = """ CREATE OR REPLACE MODEL `my-example-housing-dataset.ameshousing.linearmodel` OPTIONS(model_type='linear_reg', ls_init_learn_rate=.15, l1_reg=1, max_iterations=5) AS SELECT IFNULL(SalePrice, 0) AS label, IFNULL(GrLivArea, 0) AS LivingAreaSize, YearBuilt, OverallCond, OverallQual FROM `my-example-housing-dataset.ameshousing.train` """
model1 = """
CREATE OR REPLACE MODEL
`my-example-housing-dataset.ameshousing.linearmodel`
OPTIONS(model_type='linear_reg', ls_init_learn_rate=.15, l1_reg=1, max_iterations=5) AS
SELECT
IFNULL(SalePrice, 0) AS label,
IFNULL(GrLivArea, 0) AS LivingAreaSize,
YearBuilt,
OverallCond,
OverallQual
FROM
`my-example-housing-dataset.ameshousing.train`
"""
全社を挙げて本格的な「働き方改革」に取り組んでいる株式会社 TBS テレビ。TBS グループ、約 6,500 人を対象とした、IT を活用した働き方改革プロジェクトを推進する一貫として、G Suite の導入を決めました。2017 年 7 月から検討を開始。2018 年 4 月より社内への先行導入がはじまり。順次ユーザー数を増やして、同年 7 月に全社展開に至りました。ドライブ、Gmail、カレンダー、ドキュメント、スプレッドシート、スライド、ハングアウトなどその利用機能は多岐に渡ります。
横浜ゴム株式会社は、2014 年に G Suite を導入。主に Gmail を中心に利用し、その他の機能は、他のさまざまなシステムと併用する形で利用していました。その後、昨今の働き方改革を推進する流れの中で、より本格的に G Suite を活用していく決断をされました。メールだけでなく、共有ストレージなど、多くの機能を G Suite に置き換えており、Dialogflow を利用した社内チャットボットの運用もはじまっています。
メタウォーター株式会社では、オンプレミスですべての IT インフラを構築、運用していましたが、2012 年 6 月に G Suite の全社利用を開始し、現在は約 3,400 アカウントがメールだけでなく、ドライブ、カレンダー、Hangouts Meet などさまざまなものを使用しています。さらに、全社で計 6 台の Jamboard も導入。Jamboard 上で Web 会議をしながら情報を共有するといった従来にない働き方を実践しています。たとえば、設計部門では、Google ドライブに設計図を保存しておき、Jamboard 上で設計図を開き打ち合わせをすることで、効率的かつ効果的な作業を行なっています。
Google Cloud Speech-to-Text、Cloud Translation
1902 年に設立された「藤本 ビルブローカー」を源流とする老舗証券会社。大和証券のほか、大和証券投資信託委託や大和総研、大和企業投資などを傘下に擁する大和証券グループ本社の基幹企業。グループとして掲げる企業理念は「信頼の構築」「人材の重視」「社会への貢献」「健全な利益の確保」。現在の従業員数は 16,516 名（2018 年 9 月時点）。
SELECT w1mpro_ep, mjd, load_id, frame_id FROM `bigquery-public-data.wise_all_sky_data_release.mep_wise` WHERE source_id_mf='3425p651_ac51-032187' ORDER BY mjd ASC
w1mpro_ep,
mjd,
load_id,
frame_id
`bigquery-public-data.wise_all_sky_data_release.mep_wise`
WHERE
source_id_mf='3425p651_ac51-032187'
ORDER BY
mjd ASC
CREATE TEMP FUNCTION ArcSecondDistance(p1 GEOGRAPHY, p2 GEOGRAPHY, d FLOAT64) AS (ST_DISTANCE(p1,p2) < d * 30.8874796235); SELECT source_id_mf, point FROM `bigquery-public-data.wise_all_sky_data_release.mep_wise` WHERE ArcSecondDistance(point, ST_GEOGPOINT(201.5, -2.6),60) AND ST_CONTAINS( ST_GEOGFROMTEXT('Polygon((201.00 -3.10,201.00 -2.10,202.00 -2.10,202.00 -3.10, 201.00 -3.10))'),point)
CREATE TEMP FUNCTION
ArcSecondDistance(p1 GEOGRAPHY, p2 GEOGRAPHY,
d FLOAT64) AS (ST_DISTANCE(p1,p2) < d * 30.8874796235);
source_id_mf,
point
ArcSecondDistance(point,
ST_GEOGPOINT(201.5, -2.6),60)
AND ST_CONTAINS(
ST_GEOGFROMTEXT('Polygon((201.00 -3.10,201.00 -2.10,202.00 -2.10,202.00 -3.10, 201.00 -3.10))'),point)
