常連

### 前提・実現したいこと

エディタのAtomを使っており、
パッケージでatom-html-previewをインストールしたのですが、
プレビューを確認しようとすると、タブだけが出来てコードが表示されません。

ご存じの方がいらっしゃいましたら、ご教授いただけると幸いです。

### 発生している問題・エラーメッセージ

```
エラーメッセージ
```

### 該当のソースコード

```ここに言語名を入力
ソースコード
```

### 試したこと

ここに問題に対して試したことを記載してください。

### 補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

atom-html-preview　表示されない

独学でPythonを始めるべく、Atomをインストールしてみました。
そうしたところ、すぐコードを書くページにはなるのですが、どう実行させるのかがわかりません。
Atomで実行するにはAtom-runnerかScriptというパッケージで出来るとのことでインストールはされています。
ただ、インストールしているだけでは駄目なんでしょうか？

Atomでの実行方法について

### 前提・実現したいこと
jQueryで
「#typo要素にマウスオーバーしたら文字色と背景色を変更する。」
「#typo要素にマウスアウトしたら元の色に戻す。」
という処理。
### 発生している問題・エラーメッセージ
Uncaught SyntaxError: Unexpected identifier

### 該当のソースコード

```javascript(jQuery)
$(function(){
  $('#typo').on('mouseover', function(){
    $('#typo').css({
      color :'#ebc000'
      backgroundColor: ' #ae5e9b '
    });
  });
  $('#typo').on('mouseout', function(){
    $('#typo').css({
      color : ' '
      backgroundColor : ' '
    });
  });
});

```

```HTML
<div id="typo">
  <div class="inner">Creative jQuery</div>
</div>
```
### 試したこと
インデントの調整と「;」の確認をしました。
### 補足情報（FW/ツールのバージョンなど）
jQuery1.10.2
ここにより詳細な情報を記載してください。

エラー：Unexpected identifierと何故出るかわからないです。

### 前提・実現したいこと

https://qiita.com/neriai/items/6a662a49054bc544806d
のサイトを参考に、自分とそれ以外の人の顔分類器を作成しようとしています。

### 発生している問題・エラーメッセージ
 f = open(FLAGS.train, 'r')　および
 f = open(FLAGS.test, 'r')
の部分にて、下記のエラーが出ます。

```
Traceback (most recent call last):
  File "C:\Users?????\Anaconda3\envs\testtensor\testmain.py", line 182, in <module>
    f = open('/workspace/dir/train/data.txt', 'r')
FileNotFoundError: [Errno 2] No such file or directory: '/workspace/dir/train/data.txt'
```

フォルダを確認してもちゃんと存在しているはずなのに
![イメージ説明](c8beba5d8df5248338765f858e9df575.png)

### 該当のソースコード

```html

import sys
import cv2
import random
import numpy as np
import tensorflow as tf
import tensorflow.python.platform
import tensorflow.compat.v1 as tf # FLAGS = tf.app.flags.FLAGSの解決

# 識別ラベルの数(今回は京:0,薫：1,Shinya:2なので、3)[自分とその他で２つ(まずは)]
NUM_CLASSES = 2

# 学習する時の画像のサイズ(px)
IMAGE_SIZE = 28

# 画像の次元数(28* 28*カラー(?))
IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE*3

# 学習に必要なデータのpathや学習の規模を設定
# パラメタの設定、デフォルト値やヘルプ画面の説明文を登録できるTensorFlow組み込み関数
#FLAGS = tf.app.flags.FLAGS

flags = tf.app.flags
FLAGS = flags.FLAGS

# 学習用データ
flags.DEFINE_string('train', '/workspace/dir/train/data.txt', 'File name of train data')

# 検証用テストデータ
flags.DEFINE_string('test', '/workspace/dir/test/data.txt', 'File name of train data')

# データを置いてあるフォルダ
flags.DEFINE_string('train_dir', '/workspace/dir/data', 'Directory to put the training data.')

# データ学習訓練の試行回数
flags.DEFINE_integer('max_steps', 100, 'Number of steps to run trainer.')

# 1回の学習で何枚の画像を使うか
flags.DEFINE_integer('batch_size', 30, 'Batch size Must divide evenly into the dataset sizes.')

# 学習率、小さすぎると学習が進まないし、大きすぎても誤差が収束しなかったり発散したりしてダメとか
flags.DEFINE_float('learning_rate', 1e-4, 'Initial learning rate.')

# AIの学習モデル部分(ニューラルネットワーク)を作成する
# images_placeholder: 画像のplaceholder, keep_prob: dropout率のplace_holderが引数になり
# 入力画像に対して、各ラベルの確率を出力して返す

####
### ここに学習モデル処理を追記します

def inference(images_placeholder, keep_prob):
  # 重みを標準偏差0.1の正規分布で初期化する
  def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

  # バイアスを標準偏差0.1の正規分布で初期化する
  def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

  # 畳み込み層を作成する
  def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

  # プーリング層を作成する
  def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                          strides=[1, 2, 2, 1], padding='SAME')
  # ベクトル形式で入力されてきた画像データを28px * 28pxの画像に戻す(?)。

  # 今回はカラー画像なので3(モノクロだと1)
  x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE, IMAGE_SIZE, 3])

  # 畳み込み層第1レイヤーを作成
  with tf.name_scope('conv1') as scope:
    # 引数は[width, height, input, filters]。
    # 5px*5pxの範囲で画像をフィルターしている。今回はカラー画像なのでinputは3?
    # 32個の特徴を検出する
    W_conv1 = weight_variable([5, 5, 3, 32])

    # バイアスの数値を代入
    b_conv1 = bias_variable([32])

    # 特徴として検出した有用そうな部分は残し、特徴として使えなさそうな部分は
    # 0として、特徴として扱わないようにしているという理解(Relu関数)
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

  # プーリング層1の作成
  # 2*2の枠を作り、その枠内の特徴を1*1分にいい感じに圧縮させている。
  # その枠を2*2ずつスライドさせて画像全体に対して圧縮作業を適用するという理解
  # ざっくり理解で細分化された特徴たちをもうちょっといい感じに大まかにまとめる(圧縮する)
  with tf.name_scope('pool1') as scope:
    h_pool1 = max_pool_2x2(h_conv1)

  # 畳み込み層第2レイヤーの作成
  with tf.name_scope('conv2') as scope:
    # 第一レイヤーでの出力を第2レイヤー入力にしてもう一度フィルタリング実施。
    # 64個の特徴を検出する。inputが32なのはなんで?(教えて欲しい)
    W_conv2 = weight_variable([5, 5, 32, 64])

    # バイアスの数値を代入(第一レイヤーと同じ)
    b_conv2 = bias_variable([64])

    # 検出した特徴の整理(第一レイヤーと同じ)
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

  # プーリング層2の作成(ブーリング層1と同じ)
  with tf.name_scope('pool2') as scope:
    h_pool2 = max_pool_2x2(h_conv2)

  # 全結合層1の作成
  with tf.name_scope('fc1') as scope:
    W_fc1 = weight_variable([7*7*64, 1024])
    b_fc1 = bias_variable([1024])
    # 画像の解析を結果をベクトルへ変換
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])

    # 第一、第二と同じく、検出した特徴を活性化させている
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

    # dropoutの設定
    # 訓練用データだけに最適化して、実際にあまり使えないような
    # AIになってしまう「過学習」を防止の役割を果たすらしい
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

  # 全結合層2の作成(読み出しレイヤー)
  with tf.name_scope('fc2') as scope:
    W_fc2 = weight_variable([1024, NUM_CLASSES])
    b_fc2 = bias_variable([NUM_CLASSES])

  # ソフトマックス関数による正規化
  # ここまでのニューラルネットワークの出力を各ラベルの確率へ変換する
  with tf.name_scope('softmax') as scope:
    y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

  # 各ラベルの確率(のようなもの?)を返す
  return y_conv

# 予測結果と正解にどれくらい「誤差」があったかを算出する
# logitsは計算結果:  float - [batch_size, NUM_CLASSES]
# labelsは正解ラベル: int32 - [batch_size, NUM_CLASSES]
def loss(logits, labels):
  # 交差エントロピーの計算
  cross_entropy = -tf.reduce_sum(labels*tf.log(logits))

  # TensorBoardで表示するよう指定
  tf.summary.scalar("cross_entropy", cross_entropy)

  # 誤差の率の値(cross_entropy)を返す
  return cross_entropy

# 誤差(loss)を元に誤差逆伝播を用いて設計した学習モデルを訓練する
# 裏側何が起きているのかよくわかってないが、学習モデルの各層の重み(w)などを
# 誤差を元に最適化して調整しているという理解(?)
# (誤差逆伝播は「人工知能は人間を超えるか」書籍の説明が神)
def training(loss, learning_rate):
  #この関数がその当たりの全てをやってくれる様
  train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
  return train_step

# inferenceで学習モデルが出した予測結果の正解率を算出する
def accuracy(logits, labels):
  # 予測ラベルと正解ラベルが等しいか比べる。同じ値であればTrueが返される
  # argmaxは配列の中で一番値の大きい箇所のindex(=一番正解だと思われるラベルの番号)を返す
  correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))

  # booleanのcorrect_predictionをfloatに直して正解率の算出
  # false:0,true:1に変換して計算する
  accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

  # TensorBoardで表示する様設定
  tf.summary.scalar("accuracy", accuracy)
  return accuracy

####
if __name__ == '__main__':
  # ファイルを開く
  f = open(FLAGS.train, 'r')　

  # データを入れる配列
  train_image = []
  train_label = []

    # 改行を除いてスペース区切りにする
line = line.rstrip()
l = line.split()

    # データを読み込んで28x28に縮小
img = cv2.imread(l[0])
img = cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE))

    # 一列にした後、0-1のfloat値にする
train_image.append(img.flatten().astype(np.float32)/255.0)

    # ラベルを1-of-k方式で用意する
tmp = np.zeros(NUM_CLASSES)
tmp[int(l[1])] = 1
train_label.append(tmp)

  # numpy形式に変換
train_image = np.asarray(train_image)
train_label = np.asarray(train_label)
f.close()

f = open(FLAGS.test, 'r')
test_image = []
test_label = []
for line in f:
    line = line.rstrip()
    l = line.split()
    img = cv2.imread(l[0])
    img = cv2.resize(img, (IMAGE_SIZE, IMAGE_SIZE))
    test_image.append(img.flatten().astype(np.float32)/255.0)
    tmp = np.zeros(NUM_CLASSES)
    tmp[int(l[1])] = 1
    test_label.append(tmp)
test_image = np.asarray(test_image)
test_label = np.asarray(test_label)
f.close()

  #TensorBoardのグラフに出力するスコープを指定
with tf.Graph().as_default():
    # 画像を入れるためのTensor(28*28*3(IMAGE_PIXELS)次元の画像が任意の枚数(None)分はいる)
    images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))

    # ラベルを入れるためのTensor(3(NUM_CLASSES)次元のラベルが任意の枚数(None)分入る)
    labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))

    # dropout率を入れる仮のTensor
    keep_prob = tf.placeholder("float")

    # inference()を呼び出してモデルを作る
    logits = inference(images_placeholder, keep_prob)

    # loss()を呼び出して損失を計算
    loss_value = loss(logits, labels_placeholder)

    # training()を呼び出して訓練して学習モデルのパラメーターを調整する
    train_op = training(loss_value, FLAGS.learning_rate)

    # 精度の計算
    acc = accuracy(logits, labels_placeholder)

    # 保存の準備
    saver = tf.train.Saver()

    # Sessionの作成(TensorFlowの計算は絶対Sessionの中でやらなきゃだめ)
    sess = tf.Session()

    # 変数の初期化(Sessionを開始したらまず初期化)
    sess.run(tf.global_variables_initializer())

    # TensorBoard表示の設定(TensorBoardの宣言的な?)
    summary_op = tf.summary.merge_all()

    # train_dirでTensorBoardログを出力するpathを指定
    summary_writer = tf.summary.FileWriter(FLAGS.train_dir, sess.graph)

    # 実際にmax_stepの回数だけ訓練の実行していく
    for step in range(FLAGS.max_steps):
      for i in range(len(train_image)/FLAGS.batch_size):
        # batch_size分の画像に対して訓練の実行
        batch = FLAGS.batch_size*i

        # feed_dictでplaceholderに入れるデータを指定する
        sess.run(train_op, feed_dict={
          images_placeholder: train_image[batch:batch+FLAGS.batch_size],
          labels_placeholder: train_label[batch:batch+FLAGS.batch_size],
          keep_prob: 0.5})

      # 1step終わるたびに精度を計算する
      train_accuracy = sess.run(acc, feed_dict={
        images_placeholder: train_image,
        labels_placeholder: train_label,
        keep_prob: 1.0})
      print("step %d, training accuracy %g"(step, train_accuracy))

      # 1step終わるたびにTensorBoardに表示する値を追加する
      summary_str = sess.run(summary_op, feed_dict={
        images_placeholder: train_image,
        labels_placeholder: train_label,
        keep_prob: 1.0})
      summary_writer.add_summary(summary_str, step)

  # 訓練が終了したらテストデータに対する精度を表示する
    print("test accuracy %g" (sess.run(acc, feed_dict={
        images_placeholder: test_image,
        labels_placeholder: test_label,
        keep_prob: 1.0})))

  # データを学習して最終的に出来上がったモデルを保存
  # "model.ckpt"は出力されるファイル名
    save_path = saver.save(sess, "model2.ckpt")


```
絶対パスに変えてみたりもしましたが、変わらず同じエラーをはかれました
 
### 補足情報（FW/ツールのバージョンなど）

OS: Windows10

tensorboard       2.0.2   pypi_0    pypi
tensorflow  2.0.0   pypi_0    pypi
tensorflow-estimator 　　2.0.1   pypi_0    pypi

python :　3.7.4

anaconda  2019.10   py37_0
anaconda-client   1.7.2   py37_0
anaconda-navigator   1.9.7   py37_0

エラー [FileNotFoundError: [Errno 2] No such file or directory ] の解決法がわからない

Atomをインストールし、japanese-menuを Settings -> Install -> +Install Packagesから入力してPackagesから検索したのですが、"Searching for “japanese-menu” failed."と出てインストールできません。

###前提・実現したいこと
パッケージをインストールする

###発生している問題・エラーメッセージ

Searching for “japanese-menu” failed.
write EPROTO 101057795:error:140943F2:SSL routines:ssl3_read_bytes:sslv3 alert unexpected message:openssl\ssl\s3_pkt.c:1493:SSL alert number 10
101057795:error:1409E0E5:SSL routines:ssl3_write_bytes:ssl handshake failure:openssl\ssl\s3_pkt.c:659:


###試したこと
再起動等、基本的なことは一通りやってみました。

###補足情報(言語/FW/ツール等のバージョンなど)
OSはWindows10、64bitです。japanese-menu以外のパッケージも試してみましたが、同様のエラーが出ます。

Atomのパッケージをインストールできません

### HTMLファイルがchromeで表示できません。

atomでHTMLファイルを使ってWebページを作っています。PCはMacBookです。

atomに入力したコードをchromeに表示しながらWebページを作る練習をし、今まではできていたのですが、新規フォルダ新規テキストで入力したコードをchromeに表示させようとした所、
「chromeからfinderへのアクセスを許可しますか？」と聞かれ、間違えて「いいえ」をクリックしてしまいました。
finderというのはhtmlファイルの保存場所です。

### 発生している問題・エラーメッセージ

ファイルへのアクセスが拒否されました
(ファイル名).htmlのファイルを読むことができません。削除されたか移動された可能性があります。ファイルに対するアクセス権がない場合もあります。
ERR_ACCESS_DENIED


### 試したこと

Mac,chrome,atom,finderのアクセス権限の設定を調べましたが、全くわからず解決できませんでした。すみませんが助けて下さい。

HTMLファイルがchromeで表示できません

atomを使用していますが、shift-jisのhtmlファイル・txtファイルを開く際の
"auto-encoding"パッケージによる自動文字コード変換が上手くいかなくなりました。

![イメージ説明](04218ecabcc27f386327f0bbdf3c7d3e.png)

###現在の設定
"auto-encoding"パッケージをインストール済み。パッケージの設定は特に変更していません。
[環境設定]-[コア設定]のデフォルト文字コード設定はshift-jisにしています。
また、ファイルを開いた際に右下に表示される文字コードはきちんとshift-jisになっているようですが、文字化けしたままです。

![イメージ説明](3f96ca5e3618ab779a6d8345adde2b68.png)

別のテキストエディタ(秀丸など)で開くと、文字コードShift-jisで正常に開けます。
また、"Convert to UTF-8"というパッケージを使用し、改めて文字コードをShift-jisに変換してやると文字化けは解消します。(これだと不便なので、自動で変換してほしいのですが、、)

それ以外には文字コード変換のツールは入れていません。

###試したこと  
  
以下を試しましたが、解決しませんでした。
- atomの再インストール
- 下記ページにある.init_coffeeファイルの編集は試しましたが解決しませんでした
http://qiita.com/tokudiro/items/bc232c7d36261dc45936

###心当たり
ファイルを保存しようとすると下記の謎のエラーメッセージが出るのですが、これは関係ないですかね？
![イメージ説明](843b6374d6dc4936cf8f58c3d9372a99.png)

(エラーは出ますがファイルのセーブは通常通りできています。どうもgitの何かで怒られているようですが…)

###バージョン
app-1.18.0-beta0
- 再インストール試している過程で、ついでに最新のベータ版にしたのですが、安定版でも同様のことが発生していました。

以上ご回答いただけますと幸いです。
よろしくお願いいたします。

テキストエディタatomの文字コード変換が上手くいかない

Atomでpythonの勉強をしようと思い、Atom-runnerという
パッケージを入れました。

str1 = "hello python"
print(str1)
str2 = "こんにちは"
print(str2)

上記のようなコードを入力し、ALT+Rで実行すると
以下のように、日本語箇所が文字化けしています。

hello python
�����ɂ���

どうすれば文字化けしなくなるのかどなたか
ご教授いただけないでしょうか？

Atom (テキストエディタ)