TL;DR

忘了 ADD，使用 COPY 吧。

根據官方的 Best practices for writing Dockerfiles，ADD 和 COPY 基本上一樣，除了 ADD 提供了一些黑魔法，但基本上這些黑魔法都有其他的方法可以替代，而且 ADD 的這些額外的功能會造成執行結果難以直觀的預期，因此官方建議不要用 ADD。

ADD and COPY

語法

1
2

COPY [--chown=<user>:<group>] <src> <dest>
ADD  [--chown=<user>:<group>] <src> <dest>

GitHub 在去年 11 月的時候發布了自家的 CI/CD 工具 GitHub Action 並提供 public repo 無限額度的免費使用，在過去雖然有整合 Travis CI 但設定起來還是有點麻煩，GitHub Action 強大的地方在於他的 Market place 功能，可以像安裝套件一樣直接使用別人寫好的 CI/CD Script。

以往在發部落格文章的時候都要自己手動下指令 hexo g -d，雖然已經夠簡便了，但人的懶惰是沒有極限的，因此這次就來嘗試使用看看這個 GitHub 的新功能來做自動部屬，在設定 Action 之前記得先將你的 hexo 的 git deploy 設定好，以下都假設你已經設定好 (就是你有辦法使用上面那個指令直接部屬你的 hexo blog)，且你知道你的 hexo 文章原始碼和靜態網站各放在哪個 repo 的 branch。

我從 Market place 找到了這個 action: yrpang/github-actions-hexo，看起來還行，而且支援自動 purge Cloudflare cache (雖然我沒設定)，就來試試看吧。

GitHub Action 的設定相當簡單，在你的文章原始碼的 repository 底下新增一個資料夾 .github/workflows，並加入檔案 main.yml，把 CI/CD 的設定檔寫進去就可以了，可參考我的 template

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

name: Hexo Build and Deploy

on: 
  push:
    branches: [source]

jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout
        uses: actions/checkout@v1
        with:
          ref: source
      - name: Cache node modules
        uses: actions/cache@v1
        with:
          path: node_modules
          key: ${{runner.OS}}-${{hashFiles('**/package-lock.json')}}
      - uses: yrpang/github-actions-hexo@master
        with:
          deploykey: ${{secrets.DEPLOY_KEY}}
          username: USERNAME
          email: EMAIL

注意一下 on: push: 那邊和 steps 裡面的 Checkout 的部分的 branch 設定，我是將原始碼和產生的靜態網站檔案放在同一個 repo，原始碼在 source，網站在 master (如果不是在 master 的人請看文末的其他參數介紹)，Checkout 是要 checkout 到你的原始碼的 bracnh，而 on: push: 是設定哪一個 brach 的 push event 會觸發自動部屬，請大家把兩個 branch 都改成自己放 hexo 文章原始碼的 branch。

LC 1483. Kth Ancestor of a Tree Node

Problem Statement

You are given a tree with n nodes numbered from 0 to n-1 in the form of a parent array where parent[i] is the parent of node i. The root of the tree is node 0.

Implement the function getKthAncestor(int node, int k) to return the k-th ancestor of the given node. If there is no such ancestor, return -1.

The k-th ancestor of a tree node is the k-th node in the path from that node to the root.

中文翻譯: 有一顆 n 個 node 的樹，node 以 0 到 n-1 編號，並給定長度為 n 的陣列 parent，parent[i] 為 node i 的父節點 (編號)，node 0 為樹的 root。實作一個 function getKthAncestor(int node, int k)，回傳 node 的第 k 個 ancestor，如果該 ancestor 不存在，回傳 -1。第 k 個 ancestor 定義為由該節點出發往 root 的 path 上第 k 個訪問的節點。

PDF

Abstract

這篇主要是講 DeepRacer 的動機、分散式計算架構、模擬環境架構、robust evaluation 的方法、還有他們在上面訓練一個搭載單鏡頭，大小 1/18 的小型自動駕駛車成功的實驗架構，並包含他們怎麼做到 Sim2Real。

GitHub

Introduction

要開發機器人的 RL 演算法需要很多方面的知識和工具，如

這是嘗試把 C 的 array function parameter 搞懂的一篇筆記。

前言

從很久以前剛開始學 C 的時候就對如何讓 function 接收 array parameter 有很大的疑問，此外 C++ 的 array paramter 又有不太一樣的行為，因此後來學 C++ 之後更亂了，這次花點時間嘗試把所有東西搞懂，如果有人發現我哪邊還是搞錯的話歡迎大家指正。

文中引用 C 語言標準中的章節如果沒特別註明以 C99 為主。

C Array Type

C Types

分享 18 年的兩篇文章，有關 ConvNet 以及基於 ConvNets 的物件偵測方法的演化史，適合對 CNN 有一定程度了解的人作為深入學習 CNN 結構改進的方法與背後的數學思考的入門，以及有 CNN 基礎者的物件偵測方法入門，或是對這兩個領域都很熟悉，可以作為複習或參考筆記使用。

因為這兩篇是 18 年的文章，這兩年這兩個領域有更多後續的發展，但 18 年可說是 CNN 跟 ObjectDetection 的頂峰之年，許多關鍵的演算法都在 12~18 年間提出，若想了解整個領域的發展過程，節至 18 年的內容已經很全面，對最新的技術有興趣者可另外再找資料。

卷积神经网络结构演变（form Hubel and Wiesel to SENet）——学习总结，文末附参考论文

這篇文章講解了 CNN 從最早啟發卷積神經網路研究，由 Hubel 和 Wiesel 等人發表建模貓視覺神經系統的文章開始，至 LeNet、AlexNet、VGG、Inception、ResNet、SENet，文末還有對輕量化網路如 MobileNet、ShuffleNet 的討論，可說是相當全面。文章中講解各個網路的發明的動機為何，解決了什麼問題，以及有哪些缺陷，對於理解 CNN 中各種工具的作用相當有幫助。

[Table of Content]

1. 早期的嘗試
   1. Hubel and Wiesel 的貓實驗 [Hubel and Wiesel (1968)]
   2. NeoCognitron [Fukushima (1980)]
   3. LeCun 的早期研究 [LeCun (1989)]
   4. LeNet [LeCun (1998)]
2. 歷史轉折
   1. AlexNet Krizhevsky (2012)]
3. 網路加深
   1. VGG [Simonyan (2014)]
   2. PReLU Net (MSRA-Net) [He (2015)]
4. 卷積模組 (Conv Modules)
   1. NIN [Lin (2013)]
   2. GoogleNet [Szegedy (2014)]
   3. Inception V3 [Szegedy (2015)]
   4. Inception V4 (Inception ResNet) [Szegedy (2016)]
5. 集成線路 (應該是 Ensemble Connection)
   1. ResNet [He (2015)]
   2. Identity Mappings in ResNet (改進 ResNet 的缺點) [He (2016)]
   3. ResNeXt [Xie (2016)]
   4. DenseNet [Huang (2016)]
   5. Xception [Chollet (2016)]
   6. SENet [Hu (2017)]
6. 輕量化模型
   1. MobileNet V1 [Howard (2017)]
   2. MobileNet V2 [Sandler (2018)]
   3. SuffleNet [Zhang (2017)]

在上一篇我們討論了 Entroy 的觀念以及如何從 Entropy 延伸出 Cross Entropy 的概念，有了以上兩個背景知識之後 KL Divergence 其實相當簡單，KL Divergence 用資訊熵的角度來衡量兩個 Distribution 的差異程度，其定義如下

或

表示「以分佈 P 為參考，P 和 Q 的差異程度」，要注意第一句話很重要不可省略，因為 KL Divergence 是非對稱的，即 $D_{KL}(P || Q) \neq D_{KL}(Q || P)$。

根據上一篇文章的觀點，$H(P, Q)$ 是為欲以分布 $Q$ 編碼分布 $P$ 所需的資料長度，又 $H(P)$ 為欲對分布 $P$ 編碼所需的理想(最小)資料長度，那麼 KL Divergence 即為以 $Q$ 編碼 $P$ 所需「額外」的資料長度，也就是其距離理想編碼還差多少，若 $Q = P$ 則 KL Divergence 為 0 且 $H(P, Q) = H(P, P) = H(P)$，因此當 P 和 Q 越接近，則 KL Divergence 會越小。

KL Divergence 的非對稱性

雖然 KL Divergence 也常作為 loss function 使用，但必須注意到一點是 KL Divergence 是非對稱的，我們可以觀察其定義

It is quite common to do experiment in a simulation environment when doing robotics research because you don’t want to break your hardware or injure people during tuning your algorithm.

I built a simulation environment for RaceOn competition. This post will provide instructions for setting up the environment and starting the RaceOn simulation.

Simulation software - Gazebo

Gazebo is a free simulation software widely used in robotics research. It provide lots of built-in plugins for different type of sensors, actuators, and basic physics engine. Gazebo also works well with ROS. There’s a lot of ROS packages that help you control the model and retrieve information of your simulation environment through ROS framework.

Environment

The environment I use is Ubuntu Mate 18.04 + ROS Melodic desktop-full installation. With desktop-full installation, Gazebo is included.

The most useful feature of ROS that benefits our team is the realtime camera view. We use it a lot for tuning and calibrating the camera. It is also very useful for debugging. This post will explain how we get the realtime camera view on the laptop.

Basic concepts

Generally, ROS is nothing to do with “Operating System”. It is just a message communication framework. You can transfer data between nodes through ethernet by the three default messaging model in ROS: Publish/Subscribe, Service/Client, and Action. The pub/sub model is the mostly used one.

Publish/Subscribe model

This is a really simple conceptual communication model. It’s similar to newspaper or magazine subscription. The subscribers can subscribe “topics” they’re interested in. The publisher of a certain topic will publish messages to all subscribers that subscribe the topic. All the message passing goes through ethernet. So the publishing/subscribing can happen between nodes within the same machine, as well as transferring through nodes on different machines.

Master node

This tutorial will cover some tips about writing publisher using python on the system we setup.

Dependencies

In this tutorial, we need rospy and std_msg to create our publisher/subscriber node.

Usually, these two package is included in the basic ROS installation. But if you do not have these two packages install, please refer to Installing Packages if your ROS run on ubuntu on laptop and ROS melodic on Raspbian Buster if your ROS is on RPi for package installation.

Master Node

Be sure that your master node is up during the following step. Please refer to Multiple machine setup for ROS melodic