起因 想要試著寫RSS render，其實並沒有那麼困難． 步驟 先建立一個 tmpl file (ex: atom.tmpl) <rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"> <channel> <title></title> <link></link> <atom:link href="" rel="self" type="application/rss+xml" /> <description></description> <pubDate></pubDate> <lastBuildDate></lastBuildDate> <item> <title></title> <description></description> <pubDate></pubDate> <guid></guid> <link></link> </item> </channel> </rss> 然後再Code裡面，去使用html/template func AtomRender() string { var r SomeStuct //讀入template t, err := template.ParseFiles("atom.tmpl") if err != nil { log.Fatal(err) } // log.Println("parse template") //產生io.writer buffer buf := new(bytes.Buffer) //讀取資料 err = t.Execute(buf, r) // log.Println("execute it") if err != nil { log.Fatal(err) } // log.Println("get rss:", buf.String()) return buf.String() } 雷 ”+”, “-“ charactor handle 想要在html 裡面parse +或是-，可別直接當成string． //定義成 template.HTML RssNow template.HTML // t.RssNow = template.HTML(SomeString) 跟RFC822對於W3C Feed Validator的問題 問題: Hi All, I trying to write a feed render and I found the time.Format(time.RFC822) is not valid by W3C feed validator . Here is the code http://play.golang.org/p/mfzLKsuVOW Not sure if it is a issue, or I misunderstanding. 得到解答: try time.RFC1123.seems to be close enough –> RFC1123 seems much...

前提: 要跟部門大長官開會前，他提到了目前受歡迎的AlphaGo事件．提醒我們對於新聞事件的思考邏輯應該是? 這個新科技是什麼？ 為什麼之前做不到? 這次的突破點是什麼? 之後有可能的路是什麼? 這個思考脈絡很能夠引發對於科技更深一步的思考，於是找了一些資料試著把這件事情搞清楚． 裡面有幾個前提是: 我並不會下圍棋 主要參考文章是 “尹相志Allan’s blog- 淺談Alpha Go所涉及的深度學習技術”，還有幾篇相關的論文． 幾個可能的Q&A: 為何電腦下圍棋很難? 因為圍棋可能性是19X19格子，共有361個落子點．所以計算出來需要10的121次方.. (遠遠大過古代宇宙原子說 10的75次方) 以西洋棋(比較簡單)來說40個分支，20步就算是1GHz的處理器，也要計算3486528500050735年． 所以就知道電腦要下圍棋在之前是不行的． 為何AlphaGo 這次能贏? 突破點是什麼? Machine Learning 的突破點 Deep Learning突破點 2006 的是「A fast learning algorithm for deep belief nets」類神經網路的亂數權重不是隨機，而是經過計算．如此一來可以透過計算的權重刪減掉許多的子樹，大幅度地減少類神經網路的尋找解答的範圍． 之前下西洋棋的”深藍”取決法是透過MinMax(也就是透過賽局理論)來選取最好的下法跟Alpha-Beta Pruning 來刪除不必要的搜尋路徑（不會勝利的選擇)． AlphaGo 如何獲勝 而AlphaGo 思考模式.. 兩個類神經網路(人家稱為兩個大腦)(Policy Network, Value Network) Policy Network(策略類神經網路): 猜測對方落子的機率．是一種大量輸入棋譜的監督式學習(透過猜測，並且給予解答認證)． 由於透過整體形勢來做預測，亂下是無法打亂電腦的計算． 透過增強策略網路(兩兩對戰，增加預測機率)，減少誤判． Value Network (評價網路): 評估目前局勢，找出如何下會取得比較高的勝率． 最後的拼圖，蒙地卡羅搜尋樹: 選取: 隨機挑選一個結果(由於兩個大腦挑選過，可挑選的分支變得可以計算）． 展開: 透過剛剛開始的結果，推導接下來棋局． 評估: 計算這次推導結果（樹的搜尋結果) 倒傳導: 挑選最佳結果後，將結果回傳到一開始，然後繼續之後的計算． AlphaGo贏了.. 接下來代表著什麼？ 這部分留著繼續思考…. 參考資料: “尹相志Allan’s blog- 淺談Alpha Go所涉及的深度學習技術” 2006: A fast learning algorithm for deep belief nets Wiki: MinMax Wiki: Alpha-Beta Pruning Wiki: Monte Carlo method

前提: 主要是在Line上面的討論，有人覺得像是Bitcoin中blockchain把資料全部分散放在各個client裡面是很不好的做法．這樣所有資料都redundancy． 於是再把一些相關spec拿出來看.. 快速整理一下.. Blockchain 架構速記: Bitcoin 最好的 blockchain 1.0 應用 喧賓奪主的應用，大概非Bitcoin莫屬． 沒太多人(一般民眾)注意到blockchain的精髓． 只記得這個應用.. 不過隨著幾個大廠商(ex: IBM) 也在開發自己的blockchain 應用． 這一塊早已在新創產業不是話題了… bitcoin 被稱為是blockchain 1.0的應用，而現階段在新創產業與一些大公司在推廣的就稱為是blockchain 2.0 (smart contract) ． 簡單架構 Bitcoin wallet: 一個記錄所有交易紀錄(以下皆成為block)的資料庫(使用Google LevelDB) 每筆交易紀錄(block)平均大小是250bytes，其格式包括了: Block Size: 4 bytes, 來敘述block大小． Block Header: 80 bytes, Block header 包括 version, previous hash, timestamp.. (還有其他的) Transaction Counter: 1~9 bytes (可變) 有多少交易在這個block. Variable: 大小不定, 交易內容.. 每筆記錄(block)與前一筆是串接在一起的(ordering)，透過Hash value作為唯一的識別(using SHA256)． Bitcoin miner: (所謂的挖礦機) 負責尋找最新的block hash value，並且確保該hash value 還沒有被產生過． 產生block會先加在最後，並且獲得一定的bitcoin作為獎勵．由於SHA256有其限制，所以能產生的bitcoin被限制在21000k bitcoin． 取得新的Hash後，需要以下的兩者擇一成真，才能獲的bitcoin: 取得大多數的wallet的同意(大於1/2 的 computing power) 連續取得6個新的Hash (表示你的機器速度大於全世界的miner六倍以上) Bitcoin的特性與展望: 特性: 去中心化 安全(透過其他P2P的審議機制) 所有端點會記錄大部分資料(或全部資料) 未來展望: 除了金流的bitcoin之外，可能有以下的應用: 電子簽約(Smart Contract) 將所有的簽約內容當成錢幣來存放，所有相關人都必須存放所有內容． 存放雙方資料，商品名稱與單位量． 挑戰: 如何計算營收？ 如何避免透露過多商業資訊? 證券交割 將股票單位作為blockchain 交易的單位． 遊戲幣 這邊沒有太多特別地方，就是把遊戲中的貨幣改成透過blockchain．可以讓民眾私下交易遊戲幣． 專利與商品證明 bitproof.io 想到透過blockchain來保護智慧財產權．他可以透過檔案(將你的專利或是文章作成檔案後，上傳來取得特定的標記)，透過該標記來證明你是第一版的擁有者． 其他: 朋友在討論中談到: “Blockchain 機制會造成資料的重複嗎?” 經過我尋找，一些資料如下 每筆交易資料 平均是 250 bytes (包含多筆交易資料) 平均每筆交易資料為 26 bytes (參考bitcoin wiki) 透過Google LevelDB 大小會被壓縮.. 其實儲存可能不會超過一半以上，因為機制上只要一半以上通過就可以． 不過當網路順暢時還是會儲存全部． 相關鏈結: Google LevelDB How bitcoin use LevelDB 押宝比特币？错，IBM看重的只是Blockchain未来 Amazon Book: Mastering Bitcoin: Unlocking Digital Cryptocurrencies bitproof.io透過bitcoin的專利機制 Bitcoin Wiki: Transaction

Steve Jobs - The Lost Interview from Daniel Wagner on Vimeo. ##前提 最近MOD送我電影199 偶爾看到.. 覺得實在很棒… (雖然是20年前訪問… 而且結果大家都知道（爆雷)) ##內容 完美的創意與完美的產品的差異 — 在於大量完美的工藝 “There is just tremendous amount of craftsmanship in between a great idea and a great product.” “問題在於優秀的創意到產品之間存在著大量完美的工藝” “And as you evolve the great idea, it changes and grows, it never comes out like it starts.” 實現創意的過程中…當你了解的越多…想法會變化甚至面目全非． “Because you learn a lot more, you get into th subtleties, you also find the… There’s tremendous trade-off that you have to make.” 你不得一次次權衡利弊..做出讓步與調整． ##相關鏈結 賈伯斯遺失的訪問-70-分鐘完整影片心得 Youtube: Steve Jobs 遺失的訪談

起因: 有個朋友看我貼了篇docker swarm的文章，於是跟我討論了一些docker的用法． 覺得整個討論相當有意義，於是徵求同意後把文章記錄一下． 整個討論: 討論應用的情境 朋友: 你也有在玩docker嗎? 我: 當然… 朋友: 剛入門一週 在指點一下XD 朋友: 我目前只會裝跟build自己的image，打算把開發環境跟 production都換成docker． 我: dockerize your all service 是個蠻好的課題 朋友: 目前還不是很知道deploy怎麼做比較好，不過我看他還有一堆有的沒的功能 太底層我不太會． 我: deploy 就透過docker-compose 一個設定檔 db/web browser/service 都搞定． 至於Docker也不用看的太底層啦，你先搞懂基礎 docker，在看docker-compose 就已經出師了． 朋友: 所以我local 開發環境要deploy正式環境 用compose就可以，dockerfile有些指令我還看不太懂． 我: 喔… 你是要deploy dev-> prod 我: 沒關係．沒有人記得起來所有docker指令．docker console 大概是我覺得最討厭的指令集了． 朋友: 想要找個比較簡單的做法 我: 那你看看我剛剛貼的swarm 朋友: 每次裝aws環境 裝到我快吐了 解釋Docker Compose 跟 Swarm應用差異 朋友: 所以compose是幹嘛的，swarm我看很多人在講分散式系統，我的需求很簡單 就是想要dev -> 多台production． 我: 簡單的說 docker-compose 可以一次呼叫一群的docker container 並且設定串接在一起． swarm 可以將全世界的container歸類在一起..你在local 就可以操控跨網路的container 朋友: 所以compose必須在同一台主機上 我: 對…基本上． 但是docker-compose可以跟swarm混用 朋友: 就是一台很強電腦跑很多台東西 恩，混用我可以理解．那我應該要去看swarm． 我: 一個docker-compose 例子．不過，你的方向是swarm． 然後我貼的那篇經驗談 好像就有提到 DEV->PRE PROD->PROD 的控制 拆解Services方法的討論 朋友: 所以你docker-compose在使用上有把 application / db / web server三個都要分三個container喔．自己dev環境也這樣搞嗎？ 我: 能拆成這樣 到時候要換任何一個不用重啟container 朋友: 我是很懶 全部裝一起，production才會拆開． 我: 現在不拆之後拆就會出問題…那就失去docker的好處 朋友: 不過local如果分開 production會比較輕鬆一點 我: 而且重build 跟跑也快 才能節省時間啊． 朋友: 所以你這樣需要三個image嗎 我: 對，就docker microservice 概念 基本上一個service 就應該要是一個image．之後才方便抽換． 關於Mac上使用boot2docker VM可能造成的問題 朋友: 這樣硬碟就爆了XD 我: 你們不都是MBPR? 我128G，都沒講話 XD． 朋友: 我現在不知道為啥256g一直滿，打算把整台重灌． 然後全妝成docker，以後要砍環境比較快． 我: 我docker都用windows 桌機跑 VM，然後MAC連過去． 你硬碟會爆應該是xcode，可以看看我這篇文章． 記得經常去清一下 有是幾十G． 此外，MAC docker 跑VM 就算image 砍掉…空間一樣算喔 所以你又要看另外一個指令 docker-machine 把VM重啟 清理一下 朋友: 有這回事?...

這是什麼? 程式週記主要內容如下: Gihub project 介紹: 主要會貼一些github，但是會盡量寫上一些有用的評語（或是我容易想到的關鍵詞）幫助以後查詢 網路文章心得: 會寫些心得，強迫自己閱讀． “程式週記”並且定期週期性更新． 大部分內容在我的twitter都會有，這邊只是將一些簡單的心得與感想註解一下． 本週摘要 本週花太時間在追如何使用etcd/raft．本來是打算用NSQ的管理方式，但是看了許久還是找不到他使用的方式．回過頭來使用raft． Go writ: A flexible command and option parser for Go 有點像是cobra，不過可以直接透過name tag 直接讓go structure 直接套入command option． A command line client for Dropbox built using the Go SDK CLI tool for droxbox in Golang，這邊還有新的API An UNOFFICIAL Dropbox v2 API SDK for Go kati: Google GNU make clone which is written by golang 可以透過kati來將makefile轉換成ninja用的檔案． A repository for plotting and visualizing data 可以拿來換圖用的套件． Stochastic flame graph profiler for Go programs 隨機產生火焰顯示profile你的go程式的結果． Python Android/JAVA/NODE.JS Building Android Apps — 30 things that experience made me learn the hard way — Medium 作者分享在開發Android App裡面踩到的雷，這種經驗分享的文章，永遠都是我的最愛． Yahoo Deep Learning Engine: CaffeOnSpark Yahoo最近開源的Deep Learning Engine，主要可以將Hadoop/Spark Cluster的資料抓取來使用．更多部分可以看他們的文章 Cross-platform Linux without the suck 可以讓你在Windows下面使用unix的console，而且又不像Cygwin那麼大．重點是用JS ES6寫的 Docker Kafka (and Zookeeper) in Docker Spotify 開源docker image可以讓你快速架設kafka跟zookeeper． One+ year feedback of using Docker and Swarm in DEV and QA environments — Medium 使用swarm經驗談文章.. 挺不錯的． 有教導如何透過swarm在dev <-> pre-prod <-> prod 之間切換的方法． iOS/Swift 網站文章...