Recherche avancée

Sur d’autres sites (13308)

• Anomalie #3281 (Nouveau) : remarques sur le nouveau thème graphique de la 3.1

  9 octobre 2014, par tcharlss (*´_ゝ｀)

  J’ai noté quelques points que je trouve problématiques avec le nouveau thème graphique de la 3.1.
  Il ne s’agit pas de questions cosmétiques (les goûts les couleurs tout ça), mais de problèmes de lisibilité.
  Essentiellement, Certains textes sont pénibles à lire à cause d’un manque de contraste avec la couleur de fond, ou quand celle-ci est trop saturée.
  L’effet est plus ou moins présent en fonction de la couleur choisie dans les préférences, en tout cas il saute au yeux avec la couleur verte par défaut.

  Tout est noté dans l’image en pièce-jointe, mais reprenons ici.

  D’abord les points les plus problématiques, visibles sur la page d’un article :
  - bandeau supérieur (nom, langue etc.) : contraste un peu faiblard entre le texte et la couleur du fond
  - header des formulaires latéraux (« logo de l’article » par ex.) : texte blanc sur fond clair très pénible à lire.
  - boutons des formulaires latéraux : idem, contraste trop faible, texte peu lisible.

  D’autres points moins importants, mais génants :
  - la couleur de la bordure et des boutons des formulaires latéraux attire beaucoup l’attention, quasiment plus que la boîte info.
  - pas de marge entre le texte de l’article et le dernier formulaire de « afficher_milieu ».
  - bon, l’ombre portée autour de la fiche, c’est subjectif, mais je trouve ça très moche.

  Voilà pour les « bugs ».

  Allez j’en profite pour donner mon impression sur ce nouveau thème. Soyons brutalement honnête : en l’état, je le trouve inférieur à celui de la 3.0.
  Il y a bien un point que j’aime beaucoup : les textes éditoriaux en serif bien lisible et distinct du reste de l’interface. Mais en général, je trouve les couleurs trop « acidulées » et mal balancées.
  D’une façon générale, je pense qu’il faudrait se diriger vers un thème plus « flat » : moins de dégradés, moins de bordures, pas d’ombres portées, et des couleurs plus sobres.

• How to convert a script from youtube-dl

  16 janvier 2020, par danilshik

  There is a bash/batch file script :

  ffmpeg -i `youtube-dl https://www.twitch.tv/zero` -vf fps=fps=60, scale=1920x1080 -c:v libx264 -b:v 500k -preset superfast -c:a copy -f segment -segment_time 60 test.mp4

  The script is not mine, but it allows you to record video with a constant frame rate of parts. Unfortunately in cmd it does not work for me. Already tried everything, I do not know what the error is.

  I am getting No such file or directory.

  Tried 'youtube-dl https://www.twitch.tv/zero', the same error

  I tried "youtube-dl https://www.twitch.tv/zero", error : youtube-dl https://www.twitch.tv/zero: Invalid argument

  What am I doing wrong ? The author assures that he works on linux

  Update

  I tried ffmpeg -i $ (youtube-dl -f best -g https://www.twitch.tv/zero) .... The same error

  Update 2

  Why the video size exceeds 500 Mb ? What am I doing wrong ?

  
  

  Code

  cls && @echo off & setlocal enableextensions enabledelayedexpansion 
  
  set "_tag_00=https://www.twitch.tv/avagg"
  
  set "_tag_01=--ignore-errors --abort-on-error --ignore-config --flat-playlist --geo-bypass "
  
  set "_tag_02=--restrict-filenames --no-part --no-cache-dir --write-thumbnail --prefer-ffmpeg "
  
  set "_tag_03=--ffmpeg-location .\ --postprocessor-args  -i "%%(title)s.%%(ext)s" -vf fps^=fps^=60^,"
  
  set "_tag_04=scale^=1920x1080 -c:v libx264 -b:v 500k -preset superfast -c:a copy -f segment -segment_time "
  
  set "_tag_05=60 %%^(title^)s.mp4"
  
  
  
  youtube-dl "!_tag_00!" -f "bestvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best" -o "%%^(title^)s.%%^(ext^)s" !_tag_1!!_tag_2!!_tag_3!!_tag_4!!_tag_5!
  
  Pause

  Update 3

  

• WARN : Tried to pass invalid video frame, marking as broken : Your frame has data type int64, but we require uint8

  5 septembre 2019, par Tavo Diaz

  I am doing some Udemy AI courses and came across with one that "teaches" a bidimensional cheetah how to walk. I was doing the exercises on my computer, but it takes too much time. I decided to use Google Cloud to run the code and see the results some hours after. Nevertheless, when I run the code I get the following error " WARN : Tried to pass
  invalid video frame, marking as broken : Your frame has data type int64, but we require uint8 (i.e. RGB values from 0-255)".

  After the code is executed, I see into the folder and I don’t see any videos (just the meta info).

  Some more info (if it helps) :
  I have a 1 CPU (4g), SSD Ubuntu 16.04 LTS

  I have not tried anything yet to solve it because I don´t know what to try. Im looking for solutions on the web, but nothing I could try.

  This is the code

  import os 
  
  import numpy as np
  
  import gym
  
  from gym import wrappers
  
  import pybullet_envs
  
  
  
  
  
  class Hp():
  
      def __init__(self):
  
          self.nb_steps = 1000
  
          self.episode_lenght =   1000
  
          self.learning_rate = 0.02
  
          self.nb_directions = 32
  
          self.nb_best_directions = 32
  
          assert self.nb_best_directions <= self.nb_directions
  
          self.noise = 0.03
  
          self.seed = 1
  
          self.env_name = 'HalfCheetahBulletEnv-v0'
  
  
  
  
  
  class Normalizer():
  
      def __init__(self, nb_inputs):
  
          self.n = np.zeros(nb_inputs)
  
          self.mean = np.zeros(nb_inputs)
  
          self.mean_diff = np.zeros(nb_inputs)
  
          self.var = np.zeros(nb_inputs)
  
  
  
      def observe(self, x):
  
          self.n += 1.
  
          last_mean = self.mean.copy()
  
          self.mean += (x - self.mean) / self.n
  
          #abajo es el online numerator update
  
          self.mean_diff += (x - last_mean) * (x - self.mean)
  
          #abajo online computation de la varianza
  
          self.var = (self.mean_diff / self.n).clip(min = 1e-2)  
  
  
  
      def normalize(self, inputs):
  
          obs_mean = self.mean
  
          obs_std = np.sqrt(self.var)
  
          return (inputs - obs_mean) / obs_std
  
  
  
  class Policy():
  
      def __init__(self, input_size, output_size):
  
          self.theta = np.zeros((output_size, input_size))
  
  
  
      def evaluate(self, input, delta = None, direction = None):
  
          if direction is None:
  
              return self.theta.dot(input)
  
          elif direction == 'positive':
  
              return (self.theta + hp.noise * delta).dot(input)
  
          else:
  
              return (self.theta - hp.noise * delta).dot(input)
  
  
  
      def sample_deltas(self):
  
          return [np.random.randn(*self.theta.shape) for _ in range(hp.nb_directions)]
  
  
  
      def update (self, rollouts, sigma_r):
  
          step = np.zeros(self.theta.shape)
  
          for r_pos, r_neg, d in rollouts:
  
              step += (r_pos - r_neg) * d
  
          self.theta += hp.learning_rate / (hp.nb_best_directions * sigma_r) * step
  
  
  
  
  
  def explore(env, normalizer, policy, direction = None, delta = None):
  
      state = env.reset()
  
      done = False
  
      num_plays = 0.
  
      #abajo puede ser promedio de las rewards
  
      sum_rewards = 0
  
      while not done and num_plays < hp.episode_lenght:
  
          normalizer.observe(state)
  
          state = normalizer.normalize(state)
  
          action = policy.evaluate(state, delta, direction)
  
          state, reward, done, _ = env.step(action)
  
          reward = max(min(reward, 1), -1)
  
          #abajo sería poner un promedio
  
          sum_rewards += reward
  
          num_plays += 1
  
      return sum_rewards
  
  
  
  def train (env, policy, normalizer, hp):
  
      for step in range(hp.nb_steps):
  
          #iniciar las perturbaciones deltas y los rewards positivos/negativos
  
          deltas = policy.sample_deltas()
  
          positive_rewards = [0] * hp.nb_directions
  
          negative_rewards = [0] * hp.nb_directions
  
          #sacar las rewards en la dirección positiva
  
          for k in range(hp.nb_directions):
  
              positive_rewards[k] = explore(env, normalizer, policy, direction = 'positive', delta = deltas[k])
  
          #sacar las rewards en dirección negativo
  
          for k in range(hp.nb_directions):
  
              negative_rewards[k] = explore(env, normalizer, policy, direction = 'negative', delta = deltas[k])
  
          #sacar todas las rewards para sacar la desvest
  
          all_rewards = np.array(positive_rewards + negative_rewards)
  
          sigma_r = all_rewards.std()
  
          #acomodar los rollauts por el max (r_pos, r_neg) y seleccionar la mejor dirección
  
          scores = {k:max(r_pos, r_neg) for k, (r_pos, r_neg) in enumerate(zip(positive_rewards, negative_rewards))}
  
          order = sorted(scores.keys(), key = lambda x:scores[x])[:hp.nb_best_directions]
  
          rollouts = [(positive_rewards[k], negative_rewards[k], deltas[k]) for k in order]
  
          #actualizar policy
  
          policy.update (rollouts, sigma_r)
  
          #poner el final reward del policy luego del update
  
          reward_evaluation = explore (env, normalizer, policy)
  
          print('Paso: ', step, 'Lejania: ', reward_evaluation)
  
  
  
  def mkdir(base, name):
  
      path = os.path.join(base, name)
  
      if not os.path.exists(path):
  
          os.makedirs(path)
  
      return path
  
  work_dir = mkdir('exp', 'brs')
  
  monitor_dir = mkdir(work_dir, 'monitor')
  
  
  
  hp = Hp()
  
  np.random.seed(hp.seed)
  
  env = gym.make(hp.env_name)
  
  env = wrappers.Monitor(env, monitor_dir, force = True)
  
  nb_inputs = env.observation_space.shape[0]
  
  nb_outputs = env.action_space.shape[0]
  
  policy = Policy(nb_inputs, nb_outputs)
  
  normalizer = Normalizer(nb_inputs)
  
  train(env, policy, normalizer, hp)