32 bit linux 不支援 zfs 但還是可以享用 snapshot 快照

這幾天鐵齒之後學到的慘痛經驗， 很快筆記分享一下。 我試著要裝 32 bit (lubuntu-*-i386.iso)， 並加裝 zfs 驅動程式。 官網 跟安裝畫面就已經警告說 zfs 大量使用 virtual memory， 所以在 32 bit 環境上會很不穩， 可是我就是鐵齒又有 OS 蒐集癖、 就是想要 把它的根目錄放進 zfs 裡面去。 裝完之後， 用 kvm 開機測試， 通過 initramfs， 甚至已經掛載位於 zfs 的根目錄， 所有服務也都一一漂亮地 [ok] 啟動， 然後就卡在進不了圖形介面， 甚至連 ctrl-alt-f2 等等終端機也叫不出來了。 就死當， 很徹底。 隔沒多久， host 的 root 帳號就收到 mail， 說 zfs 的 checksum error -- 我猜那一個 zpool 應該整個毀了。 還好當時有刻意先開一個新的 zpool 來測試， 沒牽連到原先已裝好的其他 64 bit 版 lubuntu。

[2020/01/11 Linus Torvalds建議不要使用ZFS (考量法律與 Oracle 興訟的習性)]

資料科學/機器學習的好用入門工具 t-SNE 幫你看見高維度數值資料

想像你有一個試算表， 裡面有幾十個數值欄位， 還有幾個 「分類用」 的字串欄位。 你想問： 如果我拿到一筆資料的所有數值欄位， 是否可以猜出它屬於哪一個分類? 比方說， 已知一個人的身高/體重/BMI/心跳速率/血壓/睡眠時間/肝指數GOT、GPT/... 是否可以猜出他比較可能是哪一種血型/星座/生肖/職業/...? (有點毛毛的例子， 不過也正好提醒大家： 現代的趨勢就是這樣 -- 你的隱私， 就是政府或大企業手中的大數據。) 這是機器學習領域裡面典型的分類問題 (classification)。 如果資料量不大 (例如只有幾百筆或幾千筆資料、 每筆只有幾十個或幾百個欄位)， 可能不足以拿來訓練複雜的人工智慧演算法； 又或者你有大量的資料， 但想要在全力運算之前小量取樣， 並且用一個操作簡單運算量較低的演算法、 以不是很精確但可以視覺化的方式迅速了解你的資料長相。 這時， 屬於非監督式學習類型的 t-SNE 演算法就非常適合拿來用肉眼觀察資料的群聚/分類現象。

跟同學交換 ethercalc 容器， 馬上理解 docker 的 volume、 port、 link

Ethercalc 是一個類似 google sheet 的共筆試算表服務。 (作者是數位政委唐鳳!) 除了 公用版 之外， 你也可以自己架設在私有雲裡。 最簡單偷懶的架設方法就用 docker。 電腦教室裡坐在隔壁的兩位 docker 新手， 還可以透過 「把我所架設的服務拿出來跟同學交換」 來學習 docker 的 -v (指定 volume 對應關係， 也就是與 host 共用某個目錄)、 -p (指定 port， 也就是通訊埠轉發)、 --link (建立 docker 之間的連結)， 動手實作馬上比爬文更有感!

很犯規的 caffe 初體驗： 省略訓練直接跳到影像辨識

U. C. Berkeley 的 BVLC (現在改名叫做 BAIR) 所撰寫的人工智慧引擎 caffe 有一個 model zoo 頁面， 裡面都是現成的類神經網路模型， 有一些甚至已有訓練好的權重矩陣 (weight matrices) 可以下載， 連曠日廢時的訓練過程都可以省下來， 完全不需要 受 nvidia 的鳥氣。 對於不求甚解 (而且沒有 GPU) 的工程師來說， 這真是一個玩具天堂， 光是想要把這裡的資源都接上 I/O 變成簡單的命令列， 就已經有很多東西 (可惜很少文件) 可以玩了。 延續 不求甚解工程師的人工智慧學習捷徑地圖， 這次我寫了一小小程式來辨識圖像， 當成我的第一個 caffe 外包裝小程式習作， 分享給大家玩， 也順便記錄一些心得。