黑皮考町

前言 Gitlab 是個非常好用的CI/CD工具(平台), 我們將所有要做的事情(如編譯, 測試, 產生docker image)定義在Pipeline裡, 讓 Gitlab Runner 去執行, 進而實現自動化的建置與部屬 而如果自動化的過程中出現問題, 也可以去追蹤輸出的log來找到原因 錯誤訊息 當 Gitlab Runner 執行 docker build 的指令時, 若出現以下錯誤訊息 Got permission denied while trying to connect to the Docker daemon socket at unix:///var/run/docker.sock: Post http://%2Fvar%2Frun%2Fdocker.sock/v1.38/build? ... 表示執行指令的身分沒有足夠權限 由於Gitlab Runner 會以gitlab-runner的身分去執行指令 所以解決方很簡單, 只要把 gitlab-runner 加到docker的群組中就行了 Step 1. (Optional) 若沒有docker群組的話需要建一個 sudo groupadd docker Step 2. 加入 gitlab-runner sudo usermod -aG docker gitlab-runner 最後, 重啟 docker服務或者重開機

... {@:2} 是什麼意思 ... 很簡單, 就是傳入shell script的參數很多時 我們可以從中選擇出前兩個, 舉例來說: 假設我們在執行setup.sh 時帶入五個參數1, 2, 3, 4, 5 $ ./setup.sh 1 2 3 4 5 那麼在shell script中的指令 echo ${@:2} 就會印出 1 2 要注意的是  ${@:2} 的輸出是個 字串 如果想以陣列的方式取出參數的話, 可以用 ... vars =( "${@:2}" ) ...

前言 有時候當我們想編輯雲上server裡的檔案時, 一般的作法就是SSH進去, 接著用vim開檔案編輯 但是不管是用vim 還是用 nano, 這些編輯器的介面實在是有夠醜的 用過VS Code 的人應該都知道, 他的介面簡單又好看, 而且還有Code Syntax Highlight等功能, 讓我們在編輯時不會看到眼花撩亂 今天就來分享如何用VS Code來做遠端編輯 Step 1. 安裝必要的Plugin 打開VS Code 進入Extension的頁面後( Ctrl + Shift + x ), 搜尋 SSH FS 並且安裝 Step 2.  打開User Setting File > Preferences > Settings (或是 Ctrl + , ) 搜尋 sshfs.configs 選擇 Edit in settings.json Step 3. 編輯連線資訊(包含位址帳密等等) Step 4. 連線 鍵盤上按F1選擇 SSH FS: Connect as Workspace folder 這個指令 最後, 若連線成功的話, 就可以在左手邊側欄看到遠端伺服器裡的檔案以及資料夾 Ref: https://marketplace.visualstudio.com/items?itemName=Kelvin.vscode-sshfs

前言 這一兩年來Chat Bot變得非常的火紅, 許多科技大廠也紛紛釋出SDK讓開發者們可以很快速地開發bot, 並且自由地將bot部屬在他們的平台上, 如Google DialogFlow, Microsoft Azure Bot service + Luis, Amazon Alexa Skill, Facebook Wit,... 尤其是使用DialogFlow或是Azure Bot Service的開發者們, 還可以省去串接社群頻道的細節, 專心在商務邏輯的開發 這些Chat Bot背後都運用到Natural Language Understanding的技術, 將使用者輸入的句子解析成最有可能的意圖(Intent)以及句子當中我們感興趣的字詞(Entity) 有了Intent與Entity之後, Bot 就能夠根據這些資訊來回答使用者的問題 相關技術:   Intent Classification: 預測目前的輸入句是屬於哪一種意圖   Named Entity Recognition, NER (專名辨別) :  從句子中挖出感興趣的字詞 基於這些技術, 開發者不需要在後端建立一大堆的條件判斷式, 以及Regular Expression 雖然這功能很好用, 但是天下沒有白吃的午餐, 這些服務的收費也是貴的很誇張, 如果想要省錢的話, 其實也可以透過開放資源自己去兜一個出來, 以下內容就教各位如何使用現成的開放資源來做NER Step 1. 安裝相關python模組  nltk / sklearn_crfsuite / sklearn $ pip install python-crfsuite nltk 下載NLTK上的套件 $ python -m nltk.downloader all Step 2. 將相關模組匯入 import nltk import pycrfsuite Step 3.　選擇語料庫 NLTK download 做完之後, 本機上會出現許多語料庫可以讓我們直接使用 這次的示範使用conll2000的語料庫, 基本上裡面的句子都已經以 IOB(Inside–outside–beginning)的形式 被標註好了 IOB(Ins

前言 隨著電腦運算能力的增強, 特別是GPU的出現, 讓深度學習這個領域變得非常火紅, 進而成為目前人工智慧的主流, 由於他實在很強大, 現在不管是Google, Amazon, 或是Microsoft都在積極地推出深度學習的相關應用, 難道深度學習只有像Google這種大公司才玩得起嗎?  ( 答案是:  No) 建立一套深度學習網路並沒有想像中那麼難, 以下就教各位如何快速地建立一個深度學習的環境 Step 1. 安裝NVidia驅動程式 一開始可以先用ubuntu-drivers devices列出你的顯卡需要裝什麼驅動, 如果沒有特別的偏好, 直接用 autoinstall來裝就可以了 ubuntu-drivers devices sudo ubuntu-drivers autoinstall 安裝完後建議重開機 Step 2. 檢查是否安裝成功 nvidia-smi 可以用來監測GPU的使用率 nvidia-smi 如果驅動有安裝成功, 基本上可以到目前GPU的使用狀況 Step 3. 安裝 CUDA & CUDNN # Add NVIDIA package repository sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.1.85-1_amd64.deb sudo apt install ./cuda-repo-ubuntu1604_9.1.85-1_amd64.deb wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb sudo