zip()関数に2つのシーケンスまたはイテレート可能オブジェクトを与えることで、同一箇所の要素の組み合わせからなるタプルのリストを生成することができる（i番目のタプルは各引数オブジェクトのi番目の要素を含む）。さらに、このタプルのリストをdict()関数に引数として与えることで、辞書オブジェクトに変換することができる。この方法を利用することで、KeyリストとValueリストから辞書オブジェクトを簡便に作ることが可能となる。

k = ['A', 'B', 'C', 'D', 'E']
v = [1, 5, -3, 9, 0]
zipped = zip(k, v)
d = dict(zipped)
print 'd :', d

d : {'A': 1, 'C': -3, 'B': 5, 'E': 0, 'D': 9}

この方法を使って、コドン-アミノ酸変換用辞書などを簡単に作製できる。

bases = ['T', 'C', 'A', 'G']
codons = [b1+b2+b3 for b1 in bases for b2 in bases for b3 in bases]
aminoacids = 'FFLLSSSSYY**CC*WLLLLPPPPHHQQRRRRIIIMTTTTNNKKSSRRVVVVAAAADDEEGGGG'
codon_dict = dict(zip(codons, aminoacids))
for k, v in sorted(codon_dict.items()):
    print k, '>>>', v

AAA >>> K
AAC >>> N
AAG >>> K
AAT >>> N
ACA >>> T
ACC >>> T
ACG >>> T
ACT >>> T
AGA >>> R
AGC >>> S
AGG >>> R
AGT >>> S
ATA >>> I
ATC >>> I
ATG >>> M
ATT >>> I
CAA >>> Q
CAC >>> H
CAG >>> Q
CAT >>> H
CCA >>> P
CCC >>> P
CCG >>> P
CCT >>> P
CGA >>> R
CGC >>> R
CGG >>> R
CGT >>> R
CTA >>> L
CTC >>> L
CTG >>> L
CTT >>> L
GAA >>> E
GAC >>> D
GAG >>> E
GAT >>> D
GCA >>> A
GCC >>> A
GCG >>> A
GCT >>> A
GGA >>> G
GGC >>> G
GGG >>> G
GGT >>> G
GTA >>> V
GTC >>> V
GTG >>> V
GTT >>> V
TAA >>> *
TAC >>> Y
TAG >>> *
TAT >>> Y
TCA >>> S
TCC >>> S
TCG >>> S
TCT >>> S
TGA >>> *
TGC >>> C
TGG >>> W
TGT >>> C
TTA >>> L
TTC >>> F
TTG >>> L
TTT >>> F

参考情報

• http://docs.python.jp/2/library/functions.html#zip

Thunderbirdで作製したメールは、初期設定では1行72文字で強制改行されてしまう。1行当たりの文字数が多いメールは可読性が低下してしまうので救済措置としてはありがたいが、「メール作製時のレイアウトが崩れてしまう」や「URLを記載した場合にリンクが壊れる」などのトラブルのもとになっているのも事実。強制改行の文字数上限は、以下の手順で変更することができる。

以下、Thunderbird 31.7.0 (Mac OS X 10.9.5) 環境下での

1. [環境設定]>[詳細]>[一般]を選択
2. 右下の[設定エディタ]を選択
3. 警告表示されるので承諾
4. 検索窓に”mailnews.wraplength”を入力
5. ヒットした設定項目をダブルクリック
6. 整数値入力ウィンドウに任意の強制改行上限文字数を入力 (初期値は72)
7. “OK”をクリックして設定完了

Python 2.7以降では、リスト内包表記と同様の記法で辞書オブジェクトを生成することができる。これを利用することで、既存の辞書オブジェクトのKeyとValueを入れ替えた辞書オブジェクトを容易に作ることが可能となる。

d1 = {'a':123, 'b':456, 'c':789}
d2 = {v:k for k, v in d1.items()}
print 'd1 :', d1
print 'd2 :', d2

d1 : {'a': 123, 'c': 789, 'b': 456}
d2 : {456: 'b', 123: 'a', 789: 'c'}

参考情報

• https://docs.python.org/2/tutorial/datastructures.html#dictionaries

統計モデルを作製する（学習する）アルゴリズムの良し悪しを測る指標としてバイアス (Bias)とバリアンス (Variance)がある。参考ページにも記載されているが、”モデルそのものの性能” を評価するための指標ではないことに注意する。

以下の図に示すように、モデル精度の悪さをバイアス、モデル作製の不安定さ（再現性の悪さ）をバリアンスと定義する。

理想的なモデル作製アルゴリズムは、低いバイアス・低バリアンスなもの。

バイアスとバリアンスはトレードオフ

直感的には、

• モデルが単純
  ⇒ 性能は良くないが、教師データに対して安定
  ⇒ 高バイアス・低バリアンス
• モデルが複雑
  ⇒ 性能は良いが、教師データに対して不安定（過学習など）
  ⇒ 低バイアス・高バリアンス

であるため、両者はトレードオフの関係にあると言える。回帰モデルの正則化手法と絡めて考えると、

• L1正則化（LASSO）
  ⇒ 一部の入力変数を用いてモデルを構築、入力変数の数を制限
  ⇒ モデルが単純
  ⇒ 高バイアス・低バリアンス
• L2正則化（Ridge回帰）
  ⇒ 全ての入力変数を用いてモデルを構築、重みの大きさを制限
  ⇒ モデルが複雑
  ⇒ 低バイアス・高バリアンス

となり、バランスの良いモデル作製のために両者を組み合わせた Elastic Net が使われるようになっている。

以下の情報を参考にさせていただきました。

• http://d.hatena.ne.jp/isobe1978/20130906/1378438914

Pythonの画像処理用ライブラリである PIL (Python Imaging Library) を用いて、各種画像データの読み込み・操作・保存を行うことができる。PIL をインストールするには、こちらからデータをダウンロードし、以下のコマンドを実行する。

sudo python setup.py install

基本的には、Image モジュールをimportして種々の操作を行う。

import Image

d1 = Image.open('RIMG0828.JPG') # 画像の読み込み
print d1.format, d1.size, d1.mode # メタ情報の表示
d1.show() # 画像の表示
d1.save('d1.jpg') # 画像の保存

d2 = d1.rotate(-90) # 画像の回転
print d2.size # sizeは（幅、高さ）
d2.show()
d2.save('d2.jpg')

d3 = d1.crop((824, 368, 2824, 2368)) # 画像の切り出し、切り出し範囲の指定は（左、上、右、下）
print d3.size
d3.show()
d3.save('d3.jpg')

d4 = d3.resize((500, 500)) # 画像のサイズ変更、サイズ指定は（幅、高さ）
print d4.size
d4.save('d4.jpg') # 画像の保存

JPEG (3648, 2736) RGB
(2736, 3648)
(2000, 2000)
(500, 500)

• d1
  
• d2
  
• d3
  
• d4
  

配列データとしての画像の取り扱い

Pythonのグラフ描画用ライブラリである Matplotlib では、前述した PIL を利用して〜〜〜。

import matplotlib.pyplot as plt
d4.save('d4.png')
img = plt.imread('d4.png') # 画像の読み込み（PNGにしか対応していないようなので事前にファイル形式を変更する）
print img.shape # shapeは（高さ、幅、色次元）
plt.imshow(img) # 画像の描画
plt.show() # 描画結果の表示

img_r = img[:,:,0] # 赤（R）成分の抽出
img_g = img[:,:,1] # 緑（G）成分の抽出
img_b = img[:,:,2] # 青（B）成分の抽出
print img_r.shape, img_g.shape, img_b.shape
plt.subplot(131) # 複数の描画（1行3列の1番目に描画） 
plt.imshow(img_r)
plt.subplot(132) # 複数の描画（1行3列の2番目に描画） 
plt.imshow(img_g)
plt.subplot(133) # 複数の描画（1行3列の3番目に描画） 
plt.imshow(img_b)
plt.show()

img_part = img[190:240, 230:280, :] # 特定領域の切り出し（行方向：画像のy軸、列方向：画像のx軸）
plt.imshow(img_part)
plt.show()

(500, 500, 3)
(500, 500) (500, 500) (500, 500)

• 全体の描画
  
• 色成分毎の描画
  
• 特定領域の描画
  

以下の情報を参考にさせていただきました。

• http://daemon.ice.uec.ac.jp/~shouno/2012.Programming/ImageHandling.html
• http://www.lifewithpython.com/2013/09/pil.html
• http://typea.info/tips/wiki.cgi?page=Python+Imaging+Library
]]> http://aokiji.science/blog/?feed=rss2&p=219 0 http://aokiji.science/blog/?p=206 http://aokiji.science/blog/?p=206#comments Mon, 06 Apr 2015 02:56:18 +0000 http://aokiji.science/blog/?p=206 15/04/06 書きかけ

以下の情報を参考にさせていただきました。

•  http://gihyo.jp/dev/serial/01/machine-learning
]]> http://aokiji.science/blog/?feed=rss2&p=206 0 http://aokiji.science/blog/?p=112 http://aokiji.science/blog/?p=112#comments Fri, 03 Apr 2015 03:16:48 +0000 http://aokiji.science/blog/?p=112 Pythonの数値計算用モジュールの一つである Theano について、基本的な使い方を整理する。余裕があれば、最終的には 公式チュートリアル の和訳版とする。

事前準備

以下の3つは常にimportしておく。

import numpy as np
from theano import *
import theano.tensor as T

tensor サブモジュールは頻繁に使うので、扱いやすい名前 (ここではT) でimportしておく。

NumPyのおさらい

機械学習において、Theano と併せて使うことが多い NumPy モジュールについて、基本的な使い方 (主に行列演算の方法) を整理する。

そのうちまとめる

基本的な使い方

1. シンボル (変数) の宣言

数値計算で変数として扱う記号をシンボルとして宣言する。

x = T.dscalar('x')
y = T.dscalar('y')

ここでは、倍精度浮動小数点数 (d, double) のスカラー (scalar) を表すシンボル x と y を宣言している。dscalar というクラスはなく、 x や y はあくまで TensorVariable クラスのインスタンスである。各インスタンスのtypeという変数に、変数の型を示す情報が収納される。

type(x)
x.type
T.dscalar
x.type is T.dscalar

<class 'theano.tensor.basic.TensorVariable'>
TensorType(float64, scalar)
TensorType(float64, scalar)
True

また、括弧の中の文字列はシンボルの名前を指定するもので、必須ではないが、名前を与えておくとエラーメッセージ上に表示されるためデバッグしやすくなる。シンボルの宣言についての詳細は、4. Tips で解説する。

2. 数式の定義

1.で宣言したシンボルを組み合わせて、計算したい数式を定義する。

z = x + y

xやyは値を持たないシンボルなので、zにも具体的な値は入らず、‘x + y’ を意味するシンボルになる。theano.pp を用いることで、数式の中身を確認することができる。

print pp(z)

(x + y)

3. 関数の生成

2.で定義した数式を実際に計算するための関数を生成する。関数は、 theano.function を用いて生成する。第1引数としてシンボルのリスト、第2引数として計算したい数式を与える。それぞれ、inputs・outputsというキーワード引数としても指定可能。

f = function([x, y], z)
# f = function(inputs=[x, y], outputs=z)

作成した関数に具体的な値を引数として与えて実行すると、数式の計算結果が返される。引数はNumPy配列 (numpy.array) として解釈され、戻り値もNumPy配列となる。

f(2, 3)
f(16.3, 12.1)

array(5.0)
array(28.4)

theano.function を呼び出した際に、対象の数式を実現するC言語の計算プログラムがコンパイルされる。そのため、この関数の実行には少し時間がかかる。1つの関数で複数の計算結果を出力したい場合は、outputsを数式シンボルのリストにすることもできる。この場合は、inputsに与える変数シンボルのリストが全ての数式をカバーしている必要がある。

y2 = T.dscalar('y2')
z2 = x + y2
f2 = function([x, y, y2], [z, z2])
f2(3, 5, 9)

[array(8.0), array(12.0)]

4. Tips

1.のシンボル宣言の際に、変数の型を適切に指定することで、スカラー演算のみならず、ベクトル演算や行列演算も計算できる。変数の型には、テンソルの階数（スカラー・ベクトル・行列などの次元的な概念）と数値の型があり、これらを組み合わせることによって指定する。例えば、dmatrix は、倍精度浮動小数点数 (d, double) の行列 (matrix) を意味する。

x = T.dmatrix('x')
y = T.dmatrix('y')
z = x + y
f = function([x, y], z)
f([[1, 2], [3, 4]], [[10, 20], [30, 40]])

array([[ 11.,  22.],
       [ 33.,  44.]])

指定できる変数の型は、以下の通り (公式チュートリアルより引用)。詳細はこちらも参照。

• byte: bscalar, bvector, bmatrix, brow, bcol, btensor3, btensor4
• 16-bit integers: wscalar, wvector, wmatrix, wrow, wcol, wtensor3, wtensor4
• 32-bit integers: iscalar, ivector, imatrix, irow, icol, itensor3, itensor4
• 64-bit integers: lscalar, lvector, lmatrix, lrow, lcol, ltensor3, ltensor4
• float: fscalar, fvector, fmatrix, frow, fcol, ftensor3, ftensor4
• double: dscalar, dvector, dmatrix, drow, dcol, dtensor3, dtensor4
• complex: cscalar, cvector, cmatrix, crow, ccol, ctensor3, ctensor4

微分の計算

theano.tensor.grad を用いて微分を計算することができる。第1引数として微分の対象となる数式、第2引数として微分を取るシンボルを与える。それぞれ、 cost・wrt (with respect to ?) というキーワード引数としても指定可能。実際に数値を求めるためには、通常の数式と同じように関数を生成する必要がある。

x = T.dscalar('x')
y = x ** 2
gy = T.grad(y, x)
f = function([x], gy)
f(4)
f(94.2)

array(8.0)
array(188.4)

theano.pp を用いることで、微分式の中身を確認することができる。また、 theano.function.maker.fgraph.outputs[0] に対して theano.pp を用いることで、最適化された微分式を確認することができる。

pp(gy)
pp(f.maker.fgraph.outputs[0])

'((fill((x ** TensorConstant{2}), TensorConstant{1.0}) * TensorConstant{2}) * (x ** (TensorConstant{2} - TensorConstant{1})))'
'(TensorConstant{2.0} * x)'

wrt に微分を取るシンボルのリストを与えれば、最終的に偏微分値のリストが返される。ここで、偏微分値の順番は、wrt に与えたシンボルの順番に対応する。

x1, x2, x3 = T.dscalars('x1', 'x2', 'x3')
y = x1 ** 3 + x2 ** 2 + x3
gy = T.grad(y, [x1, x2, x3])
f = function([x1, x2, x3], gy)
f(1, 1, 1)
f(2, 4, 6)

[array(3.0), array(2.0), array(1.0)]
[array(12.0), array(8.0), array(1.0)]

tensorのメソッド

微分以外にも、theano.tensor.XXX を用いて様々な計算をすることができる。以下に、主要なものをまとめる。詳細はこちらを参照。

• tensor.sum()

引数として与えたシンボル（ベクトルなど）の総和を返す。

x = T.dvector('x')
sum_x = T.sum(x)
f = function([x], sum_x)
f([1, 2, 3, 4, 5])

array(15.0)

• tensor.prod()

引数として与えたシンボル（ベクトルなど）の総乗を返す。

x = T.dvector('x')
prod_x = T.prod(x)
f = function([x], prod_x)
f([1, 2, 3, 4, 5])

array(120.0)

• tensor.mean()

引数として与えたシンボル（ベクトルなど）の平均を返す。

x = T.dvector('x')
mean_x = T.mean(x)
f = function([x], mean_x)
f([1, 2, 3, 4, 5])

array(3.0)

• tensor.var()

引数として与えたシンボル（ベクトルなど）の分散を返す。

x = T.dvector('x')
var_x = T.var(x)
f = function([x], var_x)
f([1, 2, 3, 4, 5])

array(2.0)

• tensor.std()

引数として与えたシンボル（ベクトルなど）の標準偏差を返す。

x = T.dvector('x')
std_x = T.std(x)
f = function([x], std_x)
f([1, 2, 3, 4, 5])

array(1.4142135623730951)

• tensor.exp()

引数として与えたシンボル（スカラー）を冪指数とするネイピア数の冪乗を返す。

x = T.dscalar('x')
exp_x = T.exp(x)
sigmoid_x = 1.0 / (1.0 + T.exp(-x))
f = function([x], [exp_x, sigmoid_x])
for x in [-4, -2, -1, 0, 1, 2, 4]:
    print x, f(x)
# Create Sigmoid Curve
X = range(-10,11)
Y = []
for x in X:
    Y.append(f(x)[1])
import matplotlib.pyplot as plt
plt.plot(X, Y)
plt.show()

-4 [array(0.01831563888873418), array(0.01798620996209156)]
-2 [array(0.1353352832366127), array(0.11920292202211755)]
-1 [array(0.36787944117144233), array(0.2689414213699951)]
0 [array(1.0), array(0.5)]
1 [array(2.718281828459045), array(0.7310585786300049)]
2 [array(7.38905609893065), array(0.8807970779778823)]
4 [array(54.598150033144236), array(0.9820137900379085)]



• tensor.log()

引数として与えたシンボル（スカラー）の自然対数を返す。tensor.log2() および tensor.log() を用いることで、底を2または10とした対数を返すこともできる。

x = T.dscalar('x')
log_x = T.log(x)
log2_x = T.log2(x)
log10_x = T.log10(x)
f = function([x], [log_x, log2_x, log10_x])
f(8)

[array(2.0794415416798357), array(3.0), array(0.9030899869919435)]

• tensor.dot()

引数として与えた2つのシンボル（ベクトルか行列）の内積を返す。

x1, x2 = T.dvectors('x1', 'x2')
dot_x = T.dot(x1, x2)
f = function([x1, x2], dot_x)
f([1, 2, 3], [6, -5, 4])

array(8.0)

共有変数

theano.shared を用いて共有変数を宣言することができる。共有変数は、複数の関数から参照することができる。値の参照には shared.get_value() を、値の変更には shared.set_value() を用いる。

s = shared(5, name='s')
x = T.iscalar('x')
f1 = function([x], x+s)
f2 = function([x], x-s)
f3 = function([], s*3)
s.get_value()
f1(7), f2(7), f3()
s.set_value(-10)
s.get_value()
f1(7), f2(7), f3()

5
(array(12), array(2), array(15))
-10
(array(-3), array(17), array(-30))

確率モデルのパラメータなどの計算過程で頻繁に更新する変数は、共有変数で宣言しておくことで無駄なメモリコピーを削減できる。theano.function のパラメータの1つである updates と組み合わせることで効率的な計算が可能となる。

state = shared(0)
inc = T.iscalar('inc')
accumulator = function([inc], state, updates=[(state, state+inc)])
decrementor = function([inc], state, updates=[(state, state-inc)])
state.get_value()
accumulator(5)
state.get_value()
decrementor(3)
state.get_value()

0
array(0)
5
array(5)
2

応用例：ロジスティック回帰

上述した基本的な使い方、微分の計算、共有変数を組み合わせることで、ロジスティック回帰を実装することができる (公式チュートリアルより引用)。最急降下法についてはこちらの記事を参照。

import numpy
import theano
import theano.tensor as T
rng = numpy.random

N = 400
feats = 784
D = (rng.randn(N, feats), rng.randint(size=N, low=0, high=2))
training_steps = 10000

# Declare Theano symbolic variables
x = T.matrix("x")
y = T.vector("y")
w = theano.shared(rng.randn(feats), name="w")
b = theano.shared(0., name="b")
print "Initial model:"
print w.get_value(), b.get_value()

# Construct Theano expression graph
p_1 = 1 / (1 + T.exp(-T.dot(x, w) - b))   # Probability that target = 1
prediction = p_1 > 0.5                    # The prediction thresholded
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1) # Cross-entropy loss function
cost = xent.mean() + 0.01 * (w ** 2).sum()# The cost to minimize
gw, gb = T.grad(cost, [w, b])             # Compute the gradient of the cost
                                          # (we shall return to this in a
                                          # following section of this tutorial)

# Compile
train = theano.function(
          inputs=[x,y],
          outputs=[prediction, xent],
          updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb)))
predict = theano.function(inputs=[x], outputs=prediction)

# Train
for i in range(training_steps):
    pred, err = train(D[0], D[1])

print "Final model:"
print w.get_value(), b.get_value()
print "target values for D:", D[1]
print "prediction on D:", predict(D[0])

以下の情報を参考にさせていただきました。

•  http://d.hatena.ne.jp/saket/20121207/1354867911
•  http://qiita.com/mokemokechicken/items/3fbf6af714c1f66f99e9
•  http://www.chino-js.com/ja/tech/theano-rbm/
]]> http://aokiji.science/blog/?feed=rss2&p=112 0 http://aokiji.science/blog/?p=88 http://aokiji.science/blog/?p=88#comments Tue, 31 Mar 2015 02:16:14 +0000 http://aokiji.science/blog/?p=88

このコンテンツはパスワードで保護されています。閲覧するには以下にパスワードを入力してください。

パスワード

]]> http://aokiji.science/blog/?feed=rss2&p=88 0 http://aokiji.science/blog/?p=78 http://aokiji.science/blog/?p=78#comments Mon, 30 Mar 2015 11:27:44 +0000 http://aokiji.science/blog/?p=78 MySQLのデータベースは、mysqldumpコマンドでファイルに出力し、バックアップを取ることができる。ダンプファイルを読み込むことで、MySQLデータベースを復元することができる。

バックアップの方法

ユーザ名、データベース名、出力ファイル名を指定してコマンドを実行する。

mysqldump -u DBユーザ名 -p DB名 > 出力先ファイル名

全てのデータベースのバックアップを取る場合は以下のように指定する。

mysqldump -u root -p -x --all-databases > 出力ファイル名

-xはバックアップ中のデータ操作を禁止するオプション。

復元の方法

mysqlコマンドを用いて、ダンプファイルを読み込む。

mysql -u DBユーザー名 -p DB名 < ダンプファイル名

全てのデータベースを復元する場合は以下のように指定する。

mysql -u DBユーザー名 -p < ダンプファイル名

復元したいデータベースは、事前にDBサーバ上に作成しておく必要がある。

以下の情報を参考にさせていただきました。

• http://weblabo.oscasierra.net/mysql-mysqldump-01/
]]> http://aokiji.science/blog/?feed=rss2&p=78 0 http://aokiji.science/blog/?p=36 http://aokiji.science/blog/?p=36#comments Mon, 30 Mar 2015 08:04:29 +0000 http://aokiji.science/blog/?p=36 WordPressの記事上でソースコードをわかりやすく表示するには、ソースコード表示用プラグインの1つである SyntaxHighlighter Evolved (詳細) を利用する。このプラグインはWordPressのショートコード機能を用いて、ソースコードの修飾を行っている。

具体的には、

1. SyntaxHighlighter Evolved をインストールする
2. 記事中のソースコード領域を使用言語タグで囲む

の手順で実現できる。

1. SyntaxHighlighter Evolved をインストールする

• WordPressの管理画面から、プラグイン → 新規追加 に進む。
• SyntaxHighlighter Evolved を検索し、インストールした後に有効化する。
• 設定 ページで以下の設定を行う。
  • バージョンを選択する。→ 今回は Version 3.x を使用
  • ソースコード中のリンクを無効化したい場合は、「自動リンクを有効にする」のチェックを外す。

2. 記事中のソースコード領域を使用言語タグで囲む

• 修飾したいソースコード領域を [使用言語] と [/使用言語] で囲む。

[html]
<html>
<body>
  <p class="test">
    Hello Wonderful World !
    <a href="http://aokiji.science/blog">AoYu's Blog</a>
  </p>
</body>
</html>
[/html]

      ↓

<html>
<body>
  <p class="test">
    Hello Wonderful World !
    <a href="http://aokiji.science/blog">AoYu's Blog</a>
  </p>
</body>
</html>

• あるいは、修飾したいソースコード領域を [code language=”使用言語”] と [/code]で囲む。
• language以外にも複数のパラメータを設定することができる。

[code language="html" title="Example" highlight="5" autolinks="true" collapse="true"]
<html>
<body>
  <p class="test">
    Hello Wonderful World !
    <a href="http://aokiji.science/blog">AoYu's Blog</a>
  </p>
</body>
</html>
[/code]

      ↓

<html>
<body>
  <p class="test">
    Hello Wonderful World !
    <a href="http://aokiji.science/blog">AoYu's Blog</a>
  </p>
</body>
</html>

• 利用できる言語 (ショートコード) は以下の通り
  1. actionscript3
  2. bash
  3. clojure
  4. coldfusion
  5. cpp
  6. csharp
  7. css
  8. delphi
  9. erlang
  10. fsharp
  11. diff
  12. groovy
  13. html
  14. javascript
  15. java
  16. javafx
  17. matlab
  18. objc
  19. perl
  20. php
  21. text
  22. powershell
  23. python
  24. r
  25. ruby
  26. scala
  27. sql
  28. vb
  29. xml

以下の情報を参考にさせていただきました。

• http://www.saka-en.com/wordpress/syntaxhighlighter-wordpress-plugin/
• http://netaone.com/wp/syntaxhighlighter-evolved/
• http://attosoft.info/blog/syntaxhighlighter-usage/
]]> http://aokiji.science/blog/?feed=rss2&p=36 0