不知道为啥，kkndme的帖子忽然出现在GitHub的热榜上，而且被冠以神贴的称号。简单的看了一下缩水版的帖子。帖子有些意思，但要说是神帖似乎有些过了。
别指望房子降价，房子是中国割韭菜的主要工具，没有找到替代手段前国家不会放弃的（暂时也找不到）。别老想着买房投资。房子是给国家赚钱的，你们这些二手房就别来添乱了。
kkndme文中公知味很足，文中的内容要辩证的看。11年后房价确实涨过一波，不过并不是一直在涨。10年过去了，国内外形势已经有很大的不同，房子还能不能涨还真不一定（也别指望跌）。房价重要的是要维持在一个“合理的范围内”。多少钱合理，主要看能掏钱买房的“刚需”有多少。别被打着kkndme旗号的公众号收智商税。
近期研究 ONNX Runtime Web 做的一个小东西。很多代码都“借鉴”于其他开源项目，解决了图片变形等问题。
使用深度学习模型做的图片风格迁移。使用 React 和 ONNX Runtime Web 开发，推理后端用的 WebAssembly （ CPU ）。根据我的测试，用 WebGL 要慢不少，而且内存占用有些夸张。
在线访问： https://vicalloy.github.io/image-transformer/
项目地址： https://github.com/vicalloy/image-transformer
fast neural style这个模型也可以支持输出任意图片大小，不过动态参数模型太大，复杂度也高，不适合 Web 使用。本计划去年去新疆，不想因为疫情的关系错过了，今年算是把去年的计划做了个补完。由于错误的低估了新疆入冬的速度，未能走成独库公路。这是一次不完美，甚至是失败的旅行，不过依旧留下了一些美好。
9月底的新疆早已入秋，草早已黄了，湖边的景致早已不如盛夏。湖很完美，比青海湖要漂亮。风很大，湖很蓝。浪花拍打着湖岸，然人觉赛里木湖更像是大海。
如果有机会再来赛湖，会选择在湖边住一晚。在湖边发发呆还是很惬意的。
草地以及不远处的雪山，是我喜欢的画面。只是现在已经过了夏塔最漂亮的季节。出发前就一直很纠结要不要去夏塔。
由于规划不周，第一天车开到晚上11点才找到住处。第二天选择了去距离比较近的那拉提草原。
也许是季节的原由，那拉提并没有给我很惊艳的感觉。独库路上风景要比那拉提漂亮。
一望无际的大草原。如果夏季过来，应当会是遍地的野花吧。
新疆之行最大的期待就是独库公路，不想独库公路瞬间入冬。独库封路，在山下等了一天，第二天依旧没有任何解封的迹象，只能绕道赛湖回乌鲁木齐。
第一天从上午11点一直等到下午5点，不慎将汽车电瓶耗尽，无法启动。非常感谢检查站的小哥帮忙找了个车接电，不然荒郊野外的还不知道修车厂来不来。
虽然只走了那拉提到巴音布鲁克这一小段独库公路，不过已经可以一窥独库公路的美了。
或许这次旅行并不能留下太多的记忆，但希望能成为他成长过程中美好经历的一部分。
一个类似Pipenv的Python虚拟环境和依赖管理的工具，据称改善了一些Pipenv的问题。对我而言，主要看重了Poetry可以对Python库打包的功能。毕竟对我而言书写 setup.py 并不是一件很让人愉快的事情。
Flake8使用起来非常简单，不用这么配置就可以直接使用，之后检查过程中遇到自己不需要的规则，加个例外就好。
Flake8支持插件，通过添加插件还可以让Flake8功能变的更为强大。
[2023-02 update]: 我的代码检查工具切换成了 ruff 。速度要快很多，且同样易用。
写代码时，我个人会尽量遵守 PEP8 ，但难保团队中有些人代码写的有些随意。为保证编码风格的统一，在代码提交前统一由Black对代码镜像格式化。自动格式化之后的代码可能会少了那么一点个性，但为了统一还是值得的。
Black不会对Python 的 import 语句进行排序和分段，这个工作就交给isort来做了。
长久以来Python作为脚本语言，程序里没有类型信息，很多本可在编译阶段发现的问题被保留到运行时。Python在3.5之后开始支持 Type Hint 了。利用Mypy可以利用这些类型信息对程序进行校验。
相比 unittest ，pytest使用上更为方便。更为重要的是pytest兼容 unittest，似乎没有什么理由来拒绝pytest。
代码覆盖率测试工具好像也没有第二个选择。
在 git commit 时调用flake8进行代码检查，调用black对代码进行格式化等操作。利用pre-commit从源头上杜绝有人把不合格的代码提交到代码库。
CI服务可根据自己的实际情况进行选择
OpenVINO是Intel推出的一款深度学习工具套件。OpenVINO带来大量的预训练模型，使用这些预训练模型可以快速的开发出自己的AI应用。
不过既然是Intel出的东西，自然少不了和Intel平台深度绑定。OpenVINO主要针对Intel的CPU进行优化。虽然也可以支持GPU，但支持的是Intel家的GPU。Intel家的GPU，应当不用报太多期待了。
为了支持更丰富的硬件类型，可以将OpenVINO自带的预训练模型 转为ONNX格式，然后在做其他处理。
OpenVINO优化后的预训练模型无法直接转换为ONNX。不过好在Intel有提供模型的训练和导出工具，利用OpenVINO的训练工具导出ONNX
OpenVINO用于训练和导出的库为： https://github.com/openvinotoolkit/training_extensions 。
具体的操作方式参见项目的具体说明文档。
对照人脸检测的文档，导出人脸检测对应ONNX模型： https://github.com/openvinotoolkit/training_extensions/tree/develop/models/object_detection/model_templates/face-detection
注：导出目录里有 export/，export/alt_ssd_export/ 两种模型。其中 export/alt_ssd_export/ 包含了OpenVINO特有的实现，在转换为其他推理引擎模型时会失败，因此后续工作使用 export/ 中的模型。
对于存在动态shape的模型，TVM无法进行编译。很不幸的是OpenVINO中物体检测相关的模型都存在动态shape。在TVM无法编译的情况下，可使用TVM的VM进行执行。
ONNXRuntime 还要慢不少。不知道是否是跑在虚拟机上的关系。
import onnx
import time
import tvm
import numpy as np
import tvm.relay as relay
target = 'llvm -mcpu=skylake'
model_path = 'face-detection-0200.onnx'
onnx_model = onnx.load(model_path)
shape = [1,3,256,256]
input_name = "image"
shape_dict = {
input_name: shape,
}
mod, params = relay.frontend.from_onnx(onnx_model, shape_dict)
print(relay.transform.DynamicToStatic()(mod))
with tvm.transform.PassContext(opt_level=3):
executable = relay.vm.compile(mod, target="llvm", target_host=None, params=params)
code, lib = executable.save()
with open("code.ro", "wb") as fo:
fo.write(code)
lib.export_library("lib.so")
如果你的模型可以正常编译，那就没必要采用VM模式了。直接编译理论上优化效果要好很多。这里采用的是TVM范例中给出的图片分类模型。
一个完整的模型优化和执行可以参考官方文档：Compiling and Optimizing a Model with the Python AutoScheduler
import onnx
import time
import tvm
import numpy as np
import tvm.relay as relay
target = 'llvm'
model_name = 'mobilenetv2'
model_path = f'{model_name}.onnx'
onnx_model = onnx.load(model_path)
mod, params = relay.frontend.from_onnx(onnx_model)
with relay.build_config(opt_level=3):
graph, lib, params = relay.build(mod, target, params=params)
path_lib = f"./{model_name}.so"
lib.export_library(path_lib)
fo=open(f"./{model_name}.json","w")
fo.write(graph)
fo.close()
fo=open("./{model_name}.params","wb")
fo.write(relay.save_param_dict(params))
fo.close()
加载前面导出的模型，并执行。
import onnx
import time
import tvm
import numpy as np
import tvm.relay as relay
def vmobj_to_array(o, dtype=np.float32):
if isinstance(o, tvm.nd.NDArray):
return [o.asnumpy()]
elif isinstance(o, tvm.runtime.container.ADT):
result = []
for f in o:
result.extend(vmobj_to_array(f, dtype))
return result
else:
raise RuntimeError("Unknown object type: %s" % type(o))
shape = [1, 3, 224, 224]
model_path = 'face-detection-0200'
loaded_lib = tvm.runtime.load_module(f"{model_path}.tvm.so")
loaded_code = bytearray(open(f"{model_path}.tvm.code", "rb").read())
exe = tvm.runtime.vm.Executable.load_exec(loaded_code, loaded_lib)
ctx = tvm.cpu()
vm = tvm.runtime.vm.VirtualMachine(exe, ctx)
data = np.random.uniform(size=shape).astype("float32")
out = vm.run(data)
out = vmobj_to_array(out)
print(out)
近期公司的一个Python程序在启动新进程的时候总是会失败。在进程里可以看到对应的进程已经创建成功，但对应代码并未执行，且没有输入任何日志。
通过定位，发现问题源自Python的logging模块，在写文件模式下，logging模块是不支持多进程的。
Python默认采用Fork方式创建新进程，在Fork新进程的时候会连同 锁 也一同复制到新进程。
Python的logging模块在写文件时会加锁，由于锁被复制导致进程死锁。
注：由于创建新进程时锁会被复制，混用多进程和多线程时的加锁操作应当格外小心。
根据Python的官方文档，logging模块不支持多进程模式下将日志保存到单一日志文件。多进程模式下日志保存方案，建议参考Python官方文档 Logging to a single file from multiple processes 。
Vue.js的使用更接近传统的Web开发，入门门槛比较低。同时双向数据绑定等特性也让Vue.js更为平易近人。在我看来Vue.js为易用性做的妥协在成就了Vue.js的同时，也制约了Vue.js，让他无法变得“伟大”。
在Node.js、React、Vue.js出现后，整个前端的表现能力越来越强，同时也变的越来越复杂。传统依靠jQuery的开发模式已无法支持现在大型SPA应用的开发。相比Vue.js，React这种高度组件化开发框架才更能代表今后前端的发展方向。
之前也看过一些React的相关教程。我一方面认同React的组件开发理念，另一方面又被React繁琐的开发体验劝退（Ant Design Pro早期版本里的登录实现十分劝退）。
近期有机会实际使用了React一段时间。相比初次接触React，现在的TypeScript + React.FC + Hook似乎才是React的完全形态。
React的高度组件化，让代码结构很自然的变的清晰（当然，过细的拆分也让人头痛）。TypeScript让很多潜在错误可以在编译阶段被发现，而且编辑器也开始变的智能很多。Hook的引入，彻底释放了React.FC的能力。相比Class Components使用Function Components的代码实现要简洁很多。
信息化在一个企业中的地位，要不就应当很高，要不就可有可无，不存在中间状态。
企业信息化实际上是以信息化为手段，将企业的管理思想进行落地。企业信息化的过程应当伴随这企业管理流程的梳理和优化，企业的信息化部门在一定程度上是一个管理决策部门。如果做不这一点，信息化部门就完全沦为了后台职能部门，做些简单的系统运维工作。
一个优秀的IT经理应当熟悉公司的业务流程、熟悉当前最新的技术动态、还要有能力争取到足够的资源来推动信息化建设。
django-lb-workflow 我开发的一个Django流程引擎APP。设计之初是以使用便捷性为目标，自带了完整的模板，希望可以方便的集成到已有系统。尽管已经将django-lb-workflow做到尽量的易用，但距离真正的开箱即用还有一段距离。
Carrot Box是一个完整的Django易用，带了权限管理、部门、角色等必要模块，真正的做到开箱即用。通过对Carrot Box的定制可以方便的改造为OA、工单系统、CRM等业务系统。
Carrot Box的主要特点：
之前的django-lb-workflow范例站点已经切换到 Carrot Box。
管理员账号：admin 密码：password
切换为其他用户： http://wf.haoluobo.com/impersonate/search
退回管理员账号： http://wf.haoluobo.com/impersonate/stop
make init-pyenv
make init
make run