安迪兒隨手貼

[開箱]Nintendo Classic Mini童年回憶日本懷舊mini紅白機(破解)

Sun, 05 Feb 2017 00:00:00 +0000

任天堂之前公佈的「mini紅白機」未上市前市場就熱列討論
上市後馬上造成搶風潮，價格一直標漲
對於大部份玩家而言，這是美好的童年回憶
除了有收藏價值，又可以實際重玩當年的懷舊遊戲
不買一台似乎說不過去~XD。

Nintendo Classic Mini規格

SoC: Allwinner R16 (4x Cortex A7, Mali400MP2 GPU)
RAM: SKHynix (256MB DDR3)
Flash: Spansion 512MB SLC NAND flash, TSOP48
PMU: AXP223

開箱嘍

某天早上起來突然有個盒子出現!
(傳說中的半夜小精靈是真的)

裡面有內建30個任天堂經典代表作

實際的大小
好懷念呀~~~~~真的是縮小版的紅白機耶

趕快試玩一下
接上電源、hdmi螢幕線
(迷你任天堂電源拉一個普通的USB埠就可以了，不一定要買專用的插頭)
左邊的開關往上推~右邊的按鈕是reset回到主畫面

先設定一下畫面

開玩嘍!!

可以隨時記錄
按右邊的鈕回到主畫面按下，就會出現4個記錄，家人可以不同的記錄

以上…收工了嗎?

當然沒有XD

以下純屬測試實驗用，有興趣可以玩玩，測試完記得恢復原狀

測試有風險!任何損壞要自行處理!

Part II

Nintendo Classic Mini的硬體不弱

4核 ARM Cortex-A7 CPU
雙核的Mali-400 GPU
256MB DDR3

這規格比wii和3DS還好!
而且任天堂全部2165個遊戲也才252MB
只能玩內建的30個遊戲太可惜了
(Nintendo Classic Mini無法擴充)

有位俄羅斯的駭客最近公布了一個破解的方法，他表示可以透過Linux的 FEL 方式來添加遊戲，玩家只要用 USB 資料線把復刻版主機連到電腦後，即可自行添加遊戲。

關於刷機，安迪兒找了一下
可以參考下列的資料

https://github.com/ClusterM/hakchi2

https://gbatemp.net/threads/hakchi2-nes-mini-very-simple-pimp-tool.456256

https://www.v2ex.com/t/337293

因為原來俄羅斯madmonkey的hakchi工具有難度
所以這位ClusterM大大幫他弄了一個好用的ui開源給大家測試
他的github裡面也有提到原理
大約是用FEL的方式取得linux的操控
然後加遊戲重寫NES Mini的內核映像
關於原來的遊戲目錄是只讀分區
新加的是用沙箱資料匣掛載在原始遊戲文件夾
(意思是不會改到原來的資料，都是另外加掛上去的)

馬上來試試吧

1. 首先找台windows

安迪兒是用mac上模擬的win7
打開Nintendo Classic Mini
指定mac轉接到windows的usb埠

2. 捉下hakchi2的工具來執行

3. 備份一下原來的img吧

這邊他說要先安裝driver
[Dump kernel]

但安迪兒在這裡碰到雷一直失敗

安迪兒Nintendo Classic Mini driver一直裝不起來
直接去hakchi的driver資料匣裡直接安裝也是失敗
後來查了一下
http://www.amobbs.com/forum.php?mod=viewthread&tid=5598249

找到windowos可以先用zadig裝上這類的USB驅動
http://zadig.akeo.ie/

但…還是失敗
就算用zadig後還是找不到CLV-S-HVCY的driver

後來安迪兒又看了一下他dump kernel有說到
按住Nintendo Classic Mini reset和power鈕

原來和手機一樣有刷機模式那類的
於是安迪兒就試了一下關機
然後hold reset and turn on the Power

突然MAC捉到的usb設備不一樣了

Zading可以用了!

Unknown Device#1
USB ID:1F3A EFE8
(對照一下id，是這個id就對了)

按下[install driver]

裝完後到hackchi2的driver測試一下

執行nesmini_driver.exe
正常可以使用了，順便再安裝一下

執行主程式

裝完driver，執行一下主程式

Dump Kernel

順利的Dump出來了~XD

Dump完，多了一個Dump資料匣
裡面有這台mini nes的原始Kernel.img
要好好的保存!!!

hackchi2的設定

看一下其它的設定，大約是像github上有提到的
* Allows to change any game settings including command line arguments
* Fills all game data automatically using included database
* Automatically checks for supported games
* Allows to automatically search for box art using Google Images
* Game Genie support
* Can automatically patch problem games, patches for some popular games included in the package
* Allows to upload hundreds of games at once
* Allows to exit to menu using button combination instead if reset button
* Allows to enable autofire
* Allows to simulate start button on second controller for Famicom Mini
* Allows to disable epilepsy protection
* Allows to disable menu music

測試hackchi2

單純測試!

按下[add more games]
加入要測試的Rom

估狗關鍵字

FC 任天堂模擬器 + 2165個遊戲 Rom (Nes) 完整版下載！

設定一下每個Rom的內容

新版的hackchi2可以按google搜圖

設定完後，開始製做新的客製kernel

完成後，會開始刷Nintendo Classic Mini

緊張的時刻來嘍!!重開電源看看成果吧!

噢！！出現新的項目

試玩一下

收工了!

放在書桌旁，還不賴，以後睡前可以玩一下懷舊小遊戲~XD

[開箱]Akitio Node之搶救老舊MacbookPro外接顯卡大作戰(EGPU)

Sat, 28 Jan 2017 00:00:00 +0000

安迪兒手上的MacBook Pro是13吋2012年版本的老舊筆電了
趁過新年整理一下，再次強化它，提升他的效能。

先上結論

安迪兒手上這台2012年版13吋Macbook Pro升級後配備如下:
1. 雙SSD做raid 0(拆掉光碟機)
2. 16G RAM
3. 外接nvida顯卡
4. 新的筆電電池

早期Macbook Pro還不錯，耐用且可以自己隨意的更換零件
第1、2、4項安迪兒之前就換了
但顯卡和cpu這塊一直沒辦法有很好的方式做升級

mac的痛一直是顯卡不夠力

謎之音： ~~我也想用mac打電動呀~ＸＤ~~

關於外接顯卡，網路上有一些修改方式
例如:
* 犧牲無線網卡，拆機拉線出來接轉接卡再接顯卡
* 找個pcie外接盒，剪線改電源，再接顯卡

但最近，EGPU、電競的流行，專門的顯卡外接盒出現在市場上
安迪兒發現最近有一款ATIKIO Node剛推出上市
蠻符合安迪兒的需求，內建Power 400W、Thunderbolt 3
差不多市面上的高級顯卡都能跑
重點是不用改硬體線路!!!

於是…
一個箱子就出現在辦公室，不小心踢到XD
首先來開箱一下

使用ATIKIO Node後的感想
優點:
1. 有送一條1千多的Thunderbolt 3 的線
2. 有風扇散熱
3. 有把手方便整盒提起來

缺點:
1. 比想像中大
2. 有點重
3. 有風扇免不了有聲音
4. Thunderbolt3的線…只有2016後新的mac才能用
(加買一條3轉2的線要2千元…太坑了)

以上開箱完畢!
再來正式說明一下

如何修改MAC外接顯卡

開始前…很重要!!!!

顯卡的跑分資料:

http://www.videocardbenchmark.net/gpu_list.php

mac上ATIKIO Node盒子的顯卡支援程度:

https://en.wikipedia.org/wiki/CUDA

mac升級至最新的Sierra 10.12.3(相容較多的顯示卡)

安迪兒在顯卡這邊踩到雷，用了GTX1060
但在mac上做了很多的修改和測試
頂多只能捉到卡，但沒辦法驅動
後來查了很多資料看了人家的討論才知道
在mac上外接顯卡NVIDA只支援到Maxwell和之前的架構
新的Pascal系列，目前不支援(可以參考上面的連結列表)

以上在windows10有支援不用擔心
mac可用bootcamp方式安裝win10

1. 關掉MAC System Integrity Protection

MAC有SIP的機制，防止我們去對系統做深層的修改。
所以要先把 SIP 關掉。
步驟如下
重開機按住command+R 進回復模式打開終端機
輸入

csrutil disable

如果指令不能用的話
可能和安迪兒一樣磁區有點不同
這時可以做一隻mac的安裝碟
用安裝碟開機進終端機執行指令就可以了

安裝碟的製做方式
參考安迪兒以前寫的文章
自製Mac OS X El Capitan 10.11 USB安裝碟&修復RAID功能

2. 解鎖Thunderbolt 3外接顯卡

mac上其實有限制非特定的Thunderbolt硬體不給用
接上ATIKIO Node，看一下硬體明細
Thunderbolt那邊, 如果有Unsupported字眼的
表示mac不支援此硬體，要解開tb3
原理大約是在外接kext裡加入相關驅動資料
可以參考

https://github.com/KhaosT/tb3-enabler

捉下tb3-enabler，然後執行

chmod +x tb3-enabler.py
sudo tb3-enabler.py apply

看一下狀態
tb3-enabler.py status

最後restart筆電

3. 寫入mac相關硬體資訊&安裝相關的driver

可以參考

https://github.com/goalque/automate-eGPU

捉下來後

chmod +x automate-eGPU.sh
sudo ./automate-eGPU.sh

其實也可以自己去安裝相關的mac driver
或是automate-eGPU安裝過程會詢問(都選y)
裝完後，再按更新就可以了

nvidia在mac上的driver是web driver

QUADRO & GEFORCE MACOS DRIVER RELEASE 367.15.10.35

順便裝一下cuda

CUDA

裝完後系統編好設定裡會有相關選項

這張是mac有捉到顯卡但沒driver的

有支援的話會像這樣子

4. 以上都完成的話就可以關機，接好外接螢幕，重開機

順利的話，外接螢幕的畫面就會出現了

5. 蓋上筆電單獨用外接顯卡的螢幕也ok

6. 看一下相關的資訊

在外接螢幕上可以看見是張外接顯卡

好像沒用到外接顯卡的效能

測試一下，跑一下4k影片看看
嗯嗯，有用上了，應該有效

7. 跑一下分吧

安迪兒用了LuxMark來測試一下
真的有差~XD

8. 玩一下cs，有點順XD

2012老舊mbp再戰3年吧!!!

以上是安迪兒macbook pro外接顯卡的記錄

收工嘍!

打造TensorFlow深度學習Slack聊天機器人

Sun, 22 Jan 2017 00:00:00 +0000

去年友人大竹講師在COSCUP 2016 和大家分享的議程是關於nas上用TensorFlow做圖形辨識

透過大竹的講解，也讓安迪兒開始接觸TensorFlow
謎之音： ~~感謝大竹帶安迪兒去講者晚宴大吃大喝的~ＸＤ~~

安迪兒那時就一直想試試用TensorFlow分析文字語意之類
直到最近安迪兒看到很熱門的AlphaGo就是棋靈王裡的sai~ＸＤ
就好玩也試著弄了聊天機器人(為了讓首領同事開心)
以下記錄一下建這隻bot過程

[相關文章]

大竹的COSCUP 2016 - NAS也會揀土豆
原文網址：http://kaichu.io/2016/08/22/retrain-inception-model-for-nas/

TensorFlow Sequence-to-Sequence Models
原文網址：https://www.tensorflow.org/tutorials/seq2seq/

TensorFlowのSeq2Seqモデルでチャットボットっぽいものを作ってみた
原文網址：http://qiita.com/San_/items/128bf1b5a898ad5c18f1

關於Sequence-to-Sequence Models

Sequence to Sequence模型是近幾年來熱門的一個基於RNN的模型
廣範的用在機器翻譯、自動問答系統等領域
並有不錯的成效果
有興趣可以參考上方相關文章裡面的連結

事前準備

TensorFlow安裝:MAC上安裝TENSORFLOW
slack機器人key申請:改天補上XD

開始製作對話機器人

安迪兒參考了日本的San關於他的會話AI製作文章
(附在上方相關文章裡)

TensorFlow最重要的就是符合相關目的資料來源
但怎麼收集中文的對話資料是有點麻煩的
資料餵不對，答非所問就算了，機器人會練歪喔

資料怎麼來?

安迪兒搜了一下電影、字幕、小說等
最找到了這個
(流淚感謝好心大大的開源分享)
>dgk_lost_conv chinese conversation corpus 可以用作聊天机器人的训练语料
https://github.com/rustch3n/dgk_lost_conv

整理資料

參考San文章的內容
>http://qiita.com/San_/items/128bf1b5a898ad5c18f1
https://github.com/sanshirookazaki/chat

找到資料後要整理一下訓練的資料
- 先utf8、繁簡轉換原始dkg_lost_conv
- 切分問、答2個詞檔
- 切分問、答2個測試檔用來跑評估模型用
- 建decode encode對話表
- 然後把以上的檔，文字內容轉向量化，讓TensorFlow跑訓練

開始訓練機器人了

執行 python 3.translate.py

import tensorflow as tf
from tensorflow.models.rnn.translate import seq2seq_model
import os
import numpy as np
import math

PAD_ID = 0
GO_ID = 1
EOS_ID = 2
UNK_ID = 3

train_encode_vec = 'train_encode.vec'
train_decode_vec = 'train_decode.vec'
test_encode_vec = 'test_encode.vec'
test_decode_vec = 'test_decode.vec'

vocabulary_encode_size = 5000
vocabulary_decode_size = 5000
buckets = [(5, 10), (10, 15), (20, 25), (40, 50)]
layer_size = 256
num_layers = 3
batch_size =  64

def read_data(source_path, target_path, max_size=None):
	data_set = [[] for _ in buckets]
	with tf.gfile.GFile(source_path, mode="r") as source_file:
		with tf.gfile.GFile(target_path, mode="r") as target_file:
			source, target = source_file.readline(), target_file.readline()
			counter = 0
			while source and target and (not max_size or counter < max_size):
				counter += 1
				source_ids = [int(x) for x in source.split()]
				target_ids = [int(x) for x in target.split()]
				target_ids.append(EOS_ID)
				for bucket_id, (source_size, target_size) in enumerate(buckets):
					if len(source_ids) < source_size and len(target_ids) < target_size:
						data_set[bucket_id].append([source_ids, target_ids])
						break
				source, target = source_file.readline(), target_file.readline()
	return data_set

model = seq2seq_model.Seq2SeqModel(source_vocab_size=vocabulary_encode_size, target_vocab_size=vocabulary_decode_size,
                                   buckets=buckets, size=layer_size, num_layers=num_layers, max_gradient_norm= 5.0,
                                   batch_size=batch_size, learning_rate=0.5, learning_rate_decay_factor=0.97, forward_only=False)

config = tf.ConfigProto()
config.gpu_options.allocator_type = 'BFC'

with tf.Session(config=config) as sess:

	ckpt = tf.train.get_checkpoint_state('.')
	if ckpt != None:
		print(ckpt.model_checkpoint_path)
		model.saver.restore(sess, ckpt.model_checkpoint_path)
	else:
		sess.run(tf.global_variables_initializer())

	train_set = read_data(train_encode_vec, train_decode_vec)
	test_set = read_data(test_encode_vec, test_decode_vec)

	train_bucket_sizes = [len(train_set[b]) for b in range(len(buckets))]
	train_total_size = float(sum(train_bucket_sizes))
	train_buckets_scale = [sum(train_bucket_sizes[:i + 1]) / train_total_size for i in range(len(train_bucket_sizes))]

	loss = 0.0
	total_step = 0
	previous_losses = []

	while True:
		random_number_01 = np.random.random_sample()
		bucket_id = min([i for i in range(len(train_buckets_scale)) if train_buckets_scale[i] > random_number_01])

		encoder_inputs, decoder_inputs, target_weights = model.get_batch(train_set, bucket_id)
		_, step_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, False)

		loss += step_loss / 500
		total_step += 1

		print(total_step)
		if total_step % 5000 == 0:
			print(model.global_step.eval(), model.learning_rate.eval(), loss)


			if len(previous_losses) > 2 and loss > max(previous_losses[-3:]):
				sess.run(model.learning_rate_decay_op)
			previous_losses.append(loss)

			checkpoint_path = "seq2seq.ckpt"
			model.saver.save(sess, checkpoint_path, global_step=model.global_step)
			loss = 0.0

			for bucket_id in range(len(buckets)):
				if len(test_set[bucket_id]) == 0:
					continue
				encoder_inputs, decoder_inputs, target_weights = model.get_batch(test_set, bucket_id)
				_, eval_loss, _ = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)
				eval_ppx = math.exp(eval_loss) if eval_loss < 300 else float('inf')
				print(bucket_id, eval_ppx)

會跑很久

安迪兒用Mac只有用CPU在跑
跑了1星期不關機，每天都100%(有點可怕XD)
也才跑了30多萬筆
沒顯卡跑超慘的

如果跑不完可以停下，下次會在接著跑
程式跑一陣子會定期存檔

checkpoint裡面會有記錄跑到那

執行bot

執行安迪兒的 4.bot01.py

export BOT_ID="slack bot的id"
export SLACK_TOKEN="slack bot的api key"
python 4.bot01.py &

程式碼:

import tensorflow as tf
from tensorflow.models.rnn.translate import seq2seq_model
import os
import numpy as np
import time
from slackclient import SlackClient

BOT_ID = os.environ["BOT_ID"]
AT_BOT = "<@" + BOT_ID + ">"
EXAMPLE_COMMAND = "orange"
slack_token = os.environ["SLACK_TOKEN"]
slack_client = SlackClient(slack_token)

PAD_ID = 0
GO_ID = 1
EOS_ID = 2
UNK_ID = 3

train_encode_vocabulary = 'train_encode_vocabulary'
train_decode_vocabulary = 'train_decode_vocabulary'

def handle_command(command, channel):
    response = str(command)
    if command.startswith(EXAMPLE_COMMAND):
       response = "Sure...write some more code then I can do that!"
    slack_client.api_call("chat.postMessage", channel = channel, text = response, as_user = True)

def parse_slack_output(slack_rtm_output):
    output_list = slack_rtm_output
    if output_list and len(output_list) > 0:
        for output in output_list:
            if output and 'text' in output and AT_BOT in output['text']:
               return output['text'].split(AT_BOT)[1].strip().lower(),output['channel']
    return None, None

def read_vocabulary(input_file):
    tmp_vocab = []
    with open(input_file, "r") as f:
         tmp_vocab.extend(f.readlines())
    tmp_vocab = [line.strip() for line in tmp_vocab]
    vocab = dict([(x, y) for (y, x) in enumerate(tmp_vocab)])
    return vocab, tmp_vocab

vocab_en, _, = read_vocabulary(train_encode_vocabulary)
_, vocab_de, = read_vocabulary(train_decode_vocabulary)

vocabulary_encode_size = 5000
vocabulary_decode_size = 5000

buckets = [(5, 10), (10, 15), (20, 25), (40, 50)]
layer_size = 256
num_layers = 3
batch_size = 1

model = seq2seq_model.Seq2SeqModel(source_vocab_size = vocabulary_encode_size, target_vocab_size = vocabulary_decode_size,
    buckets = buckets, size = layer_size, num_layers = num_layers, max_gradient_norm = 5.0,
    batch_size = batch_size, learning_rate = 0.5, learning_rate_decay_factor = 0.99, forward_only = True)
model.batch_size = 1
READ_WEBSOCKET_DELAY = 1

with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state('.')
if ckpt != None:
    print(ckpt.model_checkpoint_path)
    model.saver.restore(sess, ckpt.model_checkpoint_path)
else :
    print("none ckpt modle")

if slack_client.rtm_connect():
    print("StarterBot connected and running!")
    while True:
        command, channel = parse_slack_output(slack_client.rtm_read())
        if command and channel:
            print type(command)
            input_string = command.encode("utf8")
            input_string_vec = []
            for words in input_string.strip():
                 input_string_vec.append(vocab_en.get(words, UNK_ID))
            bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])
            encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)
            _, _, output_logits = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)
            outputs = [int(np.argmax(logit, axis = 1)) for logit in output_logits]
            if EOS_ID in outputs:
                outputs = outputs[: outputs.index(EOS_ID)]

            response = "".join([tf.compat.as_str(vocab_de[output]) for output in outputs])
            print("response:" + response)
            # handle_command(response, channel) unicode(unicodestring,"utf-8") response.encode("utf8")
            slack_client.api_call("chat.postMessage", channel = channel, text = unicode(response,"utf-8"), as_user = True)
        time.sleep(READ_WEBSOCKET_DELAY)

else :
     print("Connection failed. Invalid Slack token or bot ID?")

以上安迪兒跑不完，所以只跑了數天就停了
只用train了一點點的模型去跑，結果出現一堆在未知列表裡的字(–UNK–)
人生吶~需要更好的顯卡~XD

附上安迪兒的程式碼和沒訓練完的檔案
想訓練的人可以接著跑，或是直接執行來玩玩 > https://github.com/bowwowxx/tensorbot.git

來看一下成果

登入slack 和BOT聊一下天
雖然對話還是怪怪的，不過還算蠻有趣的
感覺問一下，奇怪的問題小三啥的比較會回
正常的問題不太知道，或是沒在清單列表裡
可能和都是電影八卦對白有點關係~XD
真是太好笑了…

以上是安迪兒試玩tensorflow的記錄，收工嘍!

MAC上安裝TensorFlow

Sat, 21 Jan 2017 00:00:00 +0000

安迪兒之前是在nas上試玩docker的TensorFlow
最近剛好做個小東西，趁機會記錄一下安裝TensorFlow在mac筆電的步驟

[相關文章]

為何Google要推開源機器學習系統TensorFlow？
原文網址：https://www.bnext.com.tw/article/37925/BN-2015-11-10-184646-40

TensorFlow官方安裝文件
原文網址：https://www.tensorflow.org/get_started/os_setup

安裝方式

Pip install:

Install TensorFlow on your machine, possibly upgrading previously installed Python packages. May impact existing Python programs on your machine.

Virtualenv install:

Install TensorFlow in its own directory, not impacting any existing Python programs on your machine.

Anaconda install:

Install TensorFlow in its own environment for those running the Anaconda Python distribution. Does not impact existing Python programs on your machine.

Docker install:

Run TensorFlow in a Docker container isolated from all other programs on your machine.

Installing from sources:

Install TensorFlow by building a pip wheel that you then install using pip.

安裝pip

如果沒pip的話可以先安裝一下

#Mac OS X  
$ sudo easy_install pip  
$ sudo easy_install --upgrade six

安裝TensorFlow

安迪兒的Mac筆電沒有顯卡，只能裝CPU版的

CPU版:
 pip install tensorflow  

GPU版:
pip install tensorflow-gpu

然後踩了一下雷

查了一下發現mac好像都會有這問題
(其實官方文件下面一些有提到不能安裝時的方式)

安迪兒挑了mac內建的python2.7來用

Mac OS X, CPU only, Python 2.7:  
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.1-py2-none-any.whl

更新一下tensorflow

# Python 2
$ sudo pip install --upgrade $TF_BINARY_URL

再次踩雷

還是error
安迪兒看了一下文件，覺的可能是和python的版本有關
就手動升了一下mac的python到2.7.13

brew install python  
brew info python  
brew linkapps python
source ~/.bash_profile
python -v

重來一次

export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.1-py2-none-any.whl  
sudo pip install --upgrade $TF_BINARY_URL

安裝成功了

來測試一下tensorflow能不能用吧

$ python
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>

成功嘍

以上是安迪兒整個在mac安裝tensorflow的過程，收工嘍!

Docker 1.12的黑魔法

Sat, 30 Jul 2016 00:00:00 +0000

今年2016 Docker Conf 發表後
引起大家狂熱的討論，整個會場都高潮了~XD

[引用一下相關的結論文章]
DockerCon 2016會議：發布內容的總結及主要收穫 原文網址：https://kknews.cc/tech/mmx4yp.html

Docker Swarm 已死！Docker Swarm 萬歲！ 原文網址：https://kknews.cc/tech/8e2egq.html

官方無敵威的展示影片

看完影片後，安迪兒超期待新版Docker1.12的發表
等到了rc2，就迫不急待的試玩一下
因為安迪兒想把舊式的swarm換成新的docker swarm
就這樣一路從Docker1.12 rc2 rc3 rc4都玩了一遍
(因為不少問題和bug，所以才會一直試到rc4 …orz)

終於今天Docker v1.12.0正式定版
Docker大大們開發的能量超強大
每一版都更新很快，也修了一大堆東西~XD
https://github.com/docker/docker/releases

既然Docker v1.12定版了
安迪兒也馬上全新安裝
順便記錄一下和分享試用Docker 1.12的心得

[這次的docker增加不少新功能]

Swarm

安迪兒其實是為了這個功能
才會一直的在try 因為舊版的Swarm其實有點麻煩
要建置Consul Key Store daemon
要建overlay的網路
還要再自已寫一堆腳本去監控和偵測狀態和處理的方式

而新版的docker 1.12整合了Swarm
也有了新的swarm cluster使用和管理方式
大大的簡化了整個的流程

新的功能:

Docker Service、Stack、Cloud

整合stack與service的管理，可以使用deploy把stack部署到cloud上

Health check

https://github.com/docker/docker/pull/23218
可以自訂節點的健康
–health-cmd (health用的指令檔)
–health-interval (health的秒數)
然後用一般的docker inspect就可以查詢check的結果

docker inspect --format='' xxname healthy

Live restore

https://github.com/docker/docker/pull/23213
啟動時增加這個參數，daemon掛了也不會影響到container –live-restore

overlay2

https://github.com/docker/docker/pull/22126
裡面有benchmark的數據可以參考一下

其它還有很多細的東西、指令、參數之類
有興趣的，可以多查查官方的說明
看了這些，應該手癢了吧

[實作時間到嘍!]

1. 安裝新版docker for 1.12

參考這頁的說明
https://github.com/docker/docker/releases

執行安裝指令

curl -fsSL https://experimental.docker.com/ | sh

sudo usermod -aG docker andy

2. 玩玩Container的叢集，建一個swarm來玩玩吧

首先在master機器上，建立管理的節點

docker swarm init --listen-addr docker112-swarm-admin:2377

再來，在其它台node機器上輸入

docker swarm join \
 --token SWMTKN-1-55xrvnhhax0eqc0hi4iu6aihh8msqvlfjdgqetaqvlf8qm4n0z-7ekdghz9an5d4jpx4ibdaigtx \
 10.240.0.3:2377

都加入叢集後，可以在主節點master那台，查一下所有的node

docker node ls

看看，超神奇的，就這樣一個跨機器的Container cluster就立完成了
這是不是docker的 黑魔法 吶~~~太可怕了，合併swarm後簡化許多繁雜的東西

3. 新增自已用的network

用docker network 建立一個自已的overlay來玩玩
建完並指定Container的overlay後，Container就能視為同網段，跨各種機器運行了

docker network create --driver overlay bowwow-net

4. 來見識一下讓大家瘋狂的Docker Service威力吧

建個postgresql database，直接replicas 2台
2台都是同樣的database

docker service create --replicas 2 -p 5432:5432 -p 8000:5432 --name=postgresql --network=bowwow-net --env="constraint:node==docker-swarm-node1" --mount type=volume,source=/home/app/metadb,target=/var/lib/postgresql -e POSTGRESQL_USER=postgres -e POSTGRESQL_PASS=1234 -e POSTGRESQL_DB=demodb bowwow/posttgresql9.4

docker service ls

可以看到postgresql啟動完成，2台分散在不同的機器上

直接來玩一下，2台機器的postgresql同時都能連上

隨便改一下其中一台，建一個新的table

過一會另一台就跟都同步了

而且因為用了bowwow-net的關係
開三台機器，三台機器都能互相找的到
也就是說，連上3台機器的ip，都能接上這個postgresql db
但這個postgresql db是分散成2個Container在跑
docker都幫你做了ha、scale和cluster了
只能說:超~神~的!!!

隨興的新增和刪除Container節點

docker service ps postgresql
docker service scale postgresql=3
docker service scale postgresql=1
docker service update --replicas 2 postgresql

新版docker有rolling update服務

–update-delay

他會慢慢的更版，不會一次都換掉
ex:

docker service create \
  --replicas 3 \
  --name redis \
  --update-delay 10s \
  redis:3.0.6

試一下Swarm Container Cluster移轉的功能

惡意關掉刪除其中一台的postgresql Container

果然夠優~馬上又自動的在別台機器上重啟了一個相同的服務

一次開10個來玩玩吧

不想要服務了，刪除它

docker service rm postgresql
docker service ls

新的Docker以上這些功能
跟本就是有k8s(Kubernetes)的影子
連相關指令名稱都有點相近
難怪大家整個看到傻眼，進化後的Docker太強大了。

5. 部署Docker Stack

大致上看起來
新的docker swarm像是用service就可以處理&管理相關的container服務
如果想用之前compose之類的一次啟動管理的方式呢?? 安迪兒找了找，發現docker有一個deploy的相關功能
看了他文字上有說，要用dab來部署
忍不住好奇試了一下
真的是可以用

首先，先裝上最新版的docker-compose(1.8)
參考這頁
https://github.com/docker/compose/releases

curl -L https://github.com/docker/compose/releases/download/1.8.0/docker-compose-`uname -s`-`uname -m` > /usr/local/bin/docker-compose
chmod +x /usr/local/bin/docker-compose

編寫一下docker-compose file
啟動它，成功後，可以再自行下指令bundle成dab檔
再使用docker deploy去部署

sudo docker-compose up -d
sudo docker-compose bundle -o elk.dab
docker deploy elk

看一下結果吧

呼…終於，東西實在太多了，安迪就也沒辦法一次說完試完
總之，這次的docker 1.12非常的強大
如果想要有較簡易的，除了k8s或mesos另外選擇的
也許考慮一下原生的docker看看嘍
應該不會失望的~~~XD
收工嘍~收工嘍!

在NAS上把IPAD Air2當小電腦

Wed, 15 Jun 2016 00:00:00 +0000

有時候出門在外，或是在客廰，其實會有點懶的拿筆電
剛好IPAD很方便攜帶
因此安迪兒想說試著用IPAD來打打文章
玩玩windows10

試玩一下覺的還不賴
安迪兒就把IPAD當小電腦用了~XD

步驟如下:

首先在nas上裝上虛擬機station

設定一張新的網路卡

建立機器

設定windows10

安裝完成後，可以使用安裝時設定的vnc網頁連線進虛擬機

設定遠端連線

安迪兒大約試了一下連線軟體 splashtop、teamviewer、chrome remote desktop、微軟原生的Remote Desktop

最後選用

在家時用splashtop(較方便)
出門在咖啡廰時用Chrome遠端連線(google帳號認證安全性較高)

安迪兒這邊用chrome的遠端連線

讓IPAD和藍芽鍵盤連線

順利的話，再加上遠端連線
應該就可以在上面打打字
看看word、網頁之類的

滑鼠呢?

大家都知道的IPAD不支援滑鼠
除非JB安裝第三方相關藍芽套件

這時好的遠端軟體就很重要了
一般大多是用手指直接當滑鼠點

在自家的話，安迪兒是NAS上外接USB滑鼠
然後把USB設定給裡面windows10

設定好後滑鼠移動，遠端桌面裡的指標也會跟著移動
感覺有慢一些些，不過還ok啦有像在用滑鼠的fu
用NAS上的虛擬機這類需求都超方便的~XD

因為在NAS上，其實win10不用理會它
不用特別關機，放著就可以了
在家或在外面IPAD隨時透過連線
就馬上連回來使用了

不用再帶筆電出門，整個就還蠻方便的~
(IPAD PRO應該更大更好用吧)
(本篇文章是在IPAD上完成的~XD)
以上!收工嘍~

微軟windows10更新擁抱linux系統-win10 ubuntu shell

Tue, 14 Jun 2016 00:00:00 +0000

微軟在今年3月Build 2016開發者大會，拋出了一個震撼彈
就是windows10竟然可以使用ubuntu的bash shell
而且不是虛擬機器，是原生的!
(微軟馬上洗白變好人了~XD)

這實在太有話題了，微軟當時有說今年夏季會提供相關更新
直到最近這陣子，安迪兒發現有新的win10 Preview版本
Link:
Windows 10 Insider Preview Build 14316
Download Windows 10 build 14316 ISO images

這太有趣了，安迪兒立馬試玩一下~XD

記錄一下win10開啟ubuntu shell的方式

1. 開啟開發人員功能模式

2. 控制台->程式和功能->程式集->windows功能

勾選[windows subsystem for linux]

3. 執行bash 直接用尋找bash並執行它

(download&安裝 Bash on ubuntu on windows)

4. 搜尋&執行裝好的Bash on Ubuntu on Windows

噢！！！！！

太開心了吶~XD

原來在shell裡面windows的東西在這，很特別的感覺~XD

win10 build 14316真是太帥氣了吶~~

免費開啟MAC正常讀寫入NTFS磁碟

Mon, 13 Jun 2016 00:00:00 +0000

為啥隨身碟寫不進去!

在mac上碰到了windows ntfs格式的磁碟其實是件有點小煩人的事
偏偏ntfs又是大宗，大部份拿隨身碟copy檔案都是ntfs格式

mac對於ntfs預設都是只能讀取不能寫入
(不知道用意是啥~XD)

想要寫入ntfs隨身碟，都要裝一些FUSE還是Paragon NTFS等軟體
除了要付費之外，寫入的速度也不快

之前安迪兒有看到文章說mac其實本身系統有內建NTFS的讀寫
試了一下，果然是真的XD~

<記錄一下過程>

1. 接上隨身碟，打開終端機

輸入mount，看一下隨身碟mount的路徑
下圖是/dev/disk3s1掛在/Volumes/16G

2. umount一下目前掛的路徑

sudo umount /Volumes/16G

3. 建立新的資料匣，等會用來掛隨身碟用

mkdir /tmp/usb16G

4. 重掛一次usb磁區到剛建的資料匣上

(就是這邊，重掛一次ntfs，並指定為rw可讀寫)

sudo mount -o rw,auto,nobrowse -t ntfs /dev/disk3s1 ./usb16g/

5. ok嘍，打開一下資料匣，copy檔案進去試試

open .

6. 最後如果不用時，記得umount一下

sudo umount /private/tmp/usb16G

以上~~收工嘍~XD

刪掉惱人的Mac .DS_Store文件

Tue, 07 Jun 2016 00:00:00 +0000

使用mac筆電的，應該都有個切身之痛
就是只要用Finder進過的資料匣
都會自動生出一個.DS_Store檔

真的是超煩的
不論是git上code、
ftp傳輸、或是資料匣copy
一不注意，裡面總是會有這個檔

.DS_Store檔有點像是
Windows上的desktop.ini

安迪兒這邊記錄一下停用這個惱人的檔案

1. 搜尋&刪除mac裡所有的.DS_Store檔

打開「Terminal終端機」

sudo find . -name ".DS_Store" -depth -exec rm {} \;

2. 禁止.DS_store生成

defaults write com.apple.desktopservices DSDontWriteNetworkStores true

3. 恢復.DS_store生成

defaults delete com.apple.desktopservices DSDontWriteNetworkStores

開掉終端機，重開mac後就會生效了
收工嘍~

修改Ubuntu ulimit限制

Sat, 04 Jun 2016 00:00:00 +0000

安迪兒最近在壓測時碰上了
Too many open files in system

看了一下gce上機器的資源其實還好
應該可以再榨一點效能出來
想說檔案數再開大一點試試

記錄一下調整的方式
先登入看一下系統預設數量是多少

ulimit -n

嗯~1024，應該可以再開多一些

改一下數字

sudo ulimit -n 65535

呃~command not found

sudo無法執行ulimit
原因是ulimit是bash内置命令
改一下用su -，再輸入ulimit

su -  
ulimit -n 65536

查一下改完後的數量，應該ok了

ulimit -n

以上手動設定，重開機後會消失~XD

安迪兒查了一些開機自動設定的方式

記錄一下最後試的設定

1. 修改/etc/security/limits.conf

* soft nofile 65535   
* hard nofile 65535

2.修改 /etc/pam.d/common-session

加上這行

session required pam_limits.so

3.編輯/etc/profile

加上ulimit -SHn 65535

4.收工了，重啟一下

sudo reboot

5.看看有沒效

查一下ulimit

ulimit -a

看來這樣就ok了
以上!收工嘍~

匯入匯出MongoDB資料成JSON CSV檔案

Wed, 01 Jun 2016 00:00:00 +0000

前陣子安迪兒剛好碰到要匯出mongodb資料
需要轉csv給其它人員使用
查了一下，發現mongodb直接有支援資料匯出成json、csv格式
(超強XD)

兩者的區別：
- JSON 是 mongoexport 默認的匯出格式，不需要指定

CSV 格式需要明確指定欄位屬性名

一般大多使用json，特殊需求像是需要用到excel之類的文件編輯的，會比較偏向使用csv格式。
參考以下官方文件

[mongoexport]
https://docs.mongodb.com/master/reference/program/mongoexport

[mongoimport]
https://docs.mongodb.com/manual/reference/program/mongoimport/#use

安迪兒貼一下用的指令

匯出:

mongodb collection指定欄位匯出資料轉csv

mongoexport --host localhost --db xxdata --collection unknown_data --username xx --password xx --csv --out text.csv --fields _id,lang,pinyin,artists,phonetic,hash_code,created_at,title,vocal_track,filename,hash_method,words

mongodb collection資料匯出轉json

mongoexport --host localhost -d xxdata -c unknown_songs -u xxuser -p xxpassword -o output.json

匯入:

測試一下匯入

mongoimport  --host localhost --db xxdata --collection test --username xx --password xx --type csv --headerline --file ./text.csv

附上mongo db dump & restore資料庫

全部db dump&restore

mongodump -h localhost -u xx -p xx -d metadata -o ./dump  

mongorestore -h localhost -u xx -p xx -d metadata --directoryperdb ./dump

單一collection回復

mongodump -h localhost -u xx -p xx -d metadata --collection unknown_songs  

mongorestore -h localhost -u xx -p x -d metadata --collection test ./dump/metadata/unknown_songs.bson

一些參數
- -h：mongo位址
- -d：db name
- –directoryperdb：dump的目錄
- –drop：restore時，先刪掉資料再恢復

以上~~收工嘍!

2016 Computex 直擊 (台北國際電腦展)

Tue, 31 May 2016 00:00:00 +0000

日期：5/31（二）至 6/4（六）
地點：南港展覽館、世貿一館、世貿三館、國際會議中心

2016的台北國際電腦展熱鬧登場了
安迪兒超愛這類的電腦展~XD

會場可以看到各家廠商無不費盡心力
使出所有招數，展示新的成果來爭取國外的訂單
所以都會有一些新潮和有趣的東西

因為今年是VR元年
大家都狂推VR的展示和應用
安迪兒當然也不能放過，一定要進去參觀增見識的

國際電腦展的前幾天都是針對國外的廠商和商務客戶開放
最後一天會開放給一般民眾參觀

第一天早上10點多外面其實就排滿了超多的外國人
整個很熱鬧ＸＤ

安迪兒和同事們開心的來到另一個入口

剛開展就看到了這隻軟銀的機器人
(這也是大會服務人員之一嗎?)

再來是看到和安迪兒同名的高檔POWER
(所以有點高級~大誤)

然後安迪兒看到了超大瓶的液態氮嗎?
可能要噴5天，所以特別大罐
(嘴角抖了一下…這，玩這麼大喔)

旁邊是他們家的模特兒
而且很特別的都是外國人

大家果然是一陣狂照
(福利吶~~廠商成功吸睛了XD)

安迪兒照完相，覺的液態氮有點大瓶，所以還是閃遠點好了~XD

展示會場中也看到一堆改裝超漂亮的電腦
水冷、雙顯卡、多色led燈、拉拉熊、鋼彈造型
整個造型超酷炫的
好讚吶~~

不忘貼一下廠商們水水的模特兒~XD

這是v-color的場，蠻熱鬧的
後面一些老外在大喊「Yes!Yes!」

一些有趣造型的佈景

今年主題VR虛擬實境超熱的

看一下會場各家有趣的VR應用

Oculus 玩一下球類小遊戲

HTC VIVE 這個蠻有趣的

營造出射擊實境的籠子
在裡面玩VR好有氣氛
(有生死格鬥的fu~~XD)

背包VR

HTV的VIVE VR因為有線的關係，所以難免會有點覺的有時會踩到
把主機放到背包裡玩，是個很好的點子，感覺受限制比較少
模擬一下登山、攀岩，背上背包應該蠻有臨場感的
(可能主機不能太重就是了~XD)

背上就變成外國VR背包客~好健康吶XD

降落傘VR

這個有猛!!
感覺像是極限運動
直接把人上架子，模擬操控降落傘飛行
一般要玩又有點貴的飛行傘，這時也可以靠VR來體驗一下

QNAP NAS VR

這個也超猛的!!

全場都是一般PC裝上VR
QNAP是把它弄到家用NAS上
還可以多成員使用
一邊看電影一邊玩VR
以後的應用應該指日可待~XD

剛好有人在採訪

World’s First VR Ready NAS

順便看了一下NAS旁邊的iot之類的東西

nas和raspberry pi的一些小實驗

再來是今天另一個重點
ASUS在今天實機發表的Zenbo機器人
號稱一隻高階手機的價格(2萬內)
你家就有可愛的家庭機器人管家
(長相有點無辜呀)

下午1點開始發表
12點多舞台前就擠滿了人

喔喔!出現了!
2位主持人模擬在家裡和Zenbo聊天
叫Zenbo開電視，開購物網站之類的

大家都拿起相機、錄影機狂拍
Zenbo可是比展場的模特兒們還紅吶
~~XD

看完Zenbo，安迪兒跑去其它地方晃晃
看到的一些有趣的東西

安迪兒蠻歡這個Vive音樂VR
這個老外正在配各種有趣的音樂~XD

防水的手持裝置、透明螢幕的廣告箱子
販賣機、高速照相的裝置

手機的空拍機、多視角的賽車、倉庫搬貨用的智慧搬運機

另外又看到一個有趣的產品
asus的光碟機ZenDrive

這個光碟機很特別，除了隨身攜帶、木紋還支援android
也就是說他支援手機播放，超妙的~XD

ZenDrive的上蓋打開裡面還可以放一片光碟片
(愛好音樂，收集cd的人應該會很愛它吧!)

其它還有投影機、感測器、工研院UV LED殺菌的環保筷(這超受注目的)

Kickstarter上有名的辦公桌上魚菜共生系統「香草與魚」
醫療上使用看x光片的電腦…等等

另外還有老牌機殼廠商聯力打造的電腦桌
他真的是電腦桌
整個電腦放在桌子裡，桌面上是透明玻璃
桌子本身有自動升降的調整，外觀超高級又大方

安迪兒還有去試一下邊寫程式邊踏飛輪的椅子
還真是不錯，感覺寫程式有靈感~XD

有一位老外Maker做了一台遙控推土機
可以投球，用xbox的控制器遙控

同事大竹很開心的上去和那位老外玩了好一陣子
(很熱情的老外Maker喔^^)

最後在Benq那，安迪兒一群人被騎車的健身教練叫住
一時好奇，大家就一起去體驗
Benq結合物聯網雲端健身的概念

一群人就都坐上腳踏車
教練幫大家調整車子後
大家就開始狂踩、或是拍照
另外手上會有Benq的感測手環

前方畫面會有即時數據顯示
車輪可以調輕重，所以不用怕太累踩不動
(安迪兒有偷偷調輕~XD)

教練很貼心的怕我們一群太無聊
也跟著上腳踏車陪我們一群人踩
然後說「要踏一小時喔!!!」
(安迪兒聽到這，車輪調更輕了~~~XD)

最後教練嚇完我們之後，和我們說一點會有比賽
「到時來比賽吧!」
(馬上落跑XD)

一起連線運動的過程還蠻有趣的
在家裡面如果也能有這樣的備配，就太完美了!

玩完腳踏車後
順便看了一下旁邊Benq的概念商店
整間店的東西都有連線
在商品那掃描，前面櫃檯的電子看板就會列出商品之類的訊息
(客制化支援各種平台直接付款或是掃QRcode去前面結帳之類的)
然後再走到前面，此時老闆娘就在櫃檯包裝好禮品給你嘍

最後試玩的差不多了
安迪兒一群人心滿意足的要離開嘍!

結論:

這次的2016 Computex展覽
安迪兒逛的超開心的
看到很多有趣的東西，也試玩了不少東西
今年熱門的VR、四軸也都好好的玩了一輪
真是賺到了~XD

一起期待明年2017的展出吧

關於MongoDB設定權限

Tue, 31 May 2016 00:00:00 +0000

大家在使用MongoDB，裝完預設其實是沒設定權限的
因為MongoDB預設你不會對外開放
一般是會鎖定只給api的機器讀取資料
但…有資料庫就一定會有權限
所以遇上要使用帳號密碼登入時要怎辦
這邊安迪兒記錄一下使用的方式
大至分為幾個步驟
1、設定一個管權限的使用者
2、設定要開放MongoDB的使用者 3、關掉MongoDB，改換用權限啟動的參數，重新啟動MongoDB

1.首先登入MongoDB

mongo  
use admin ;
db.createUser(
{
user: "xx",
pwd: "xx",
roles: [ { role: "userAdminAnyDatabase", db: "metadata" } ]
}
);
show users;

2.再來設定一下要開放帳號密碼的metadata db

use metadata;
{
user: "xx",
pwd: "xx",
roles: [ { role: "dbOwner", db: "metadata" } ]
};
show users;

弄完了就下exit離開MongoDB的shell吧
查一下mongo的process
然後kill它

ps aux | grep mongo
sudo kill xxx

3.最後重啟一下MongoDB，帶上權限的參數，完成嘍 !

mongod --auth

試一下帳號是否可登入

mongo --port 27017 -u "xx" -p "xx" --authenticationDatabase "admin"

另外記錄一下admin資料庫的其它特殊權限

readAnyDatabase > 讀取所有資料庫
readWriteAnyDatabase > 讀寫所有資料庫
userAdminAnyDatabase > 管理所有資料庫使用者
dbAdminAnyDatabase > 所有資料庫的管理者
root > 最高權限

以上~~收工嘍!

PostgreSQL的備份與復原

Mon, 30 May 2016 00:00:00 +0000

安迪兒最較常用到PostgreSQL備資料倒資料
記錄一下操作的方式

1、備份data
PostgreSQL內建使用pg_dump

pg_dump [資料庫名] -U [帳號] -f [備份檔案.sql]

另一種備份整個db的  
 pg_dump -h x.x.x.x -p 5432 -U admin -F c -b -v -f "xx.dbf" xxdatabase

pg_dump meta_development -U posxxx -f postgres-db-20160530.sql

2、還原 PostgreSQL內建使用psql

psql -f [備份檔案名稱] [資料庫] [帳號]  

還原整個db的   
pg_restore -h x.x.x.x -p 5432 -U admin -d xxdatabase -v "xx.dbf"

psql -f xx.sql test posxxx

看一下是不是有把資料回灌到test database了
嗯~~資料已經進去原來的test嘍

其它:設定不輸入密碼
1. /etc/profile.local 加上

export PGPASSWORD="密碼"

使用者的家目錄($HOME)下，新增一個.pgpass檔
hostname:port:database:username:password

差別是第2種可以指定特定的database不輸入密碼

以上~~收工嘍!

Qnap nas掛上遠端Synology磁碟資料

Wed, 18 May 2016 00:00:00 +0000

安迪兒新的qnap NAS剛整理完所有資料，
剩下一些新的資料都放在原舊的Synology nas上

安迪兒想掛上別台nas的samba磁區，然後再對拷檔案
但…安迪兒發現，qnap的nas怎麼設定都沒辦法掛上Synology的samba磁碟
～囧

查了一下，發現好像有人有反應這件事~XD

安迪兒試了一下發現可以直接用指令mount上Synology的samba磁碟資料
貼一下過程

首先SSH登入nas

ssh admin@x.x.x.x

找個資料匣準備掛上別台nas的samba
安迪兒這邊建了一個共用的資料匣叫tmp
裡面打算掛Synology的照片和電影2個資料匣

cd /share/CACHEDEV1_DATA/tmp
mkdir video photo
mount.cifs //10.0.0.7/video -o user=xx password=xx
mount.cifs //10.0.0.7/photo -o user=xx password=xx

掛完後使用nas上File Station打開資料匣，開始狂copy資料到新nas上吧

邊copy data邊看一下效能
嗯…網路每秒約100MB，碟碟IOPS 快300
還ok啦

copy完umount一下

umount ./video ./photo

copy完資料後，新nas也差不多完整了
可以開心的接電視直播電影了
(有hdmi接電視的nas好讚呀~xd)

記錄一些mount方式
比較新的Smaba只能用cifs的mount方式

[smbmount]

smbmount -o username="xx",password="xx" //ip/share /mnt/smb

smbumount /mnt/smb

[mount]

mount -t smbfs -o username="xx",password="xx" //ip/share /mnt/smb  

umount /mnt/smb

[cifs]

mount -t cifs -o username="xx",password="xx" //ip/share /mnt/smb
umount /mnt/smb

mount.cifs -o username="xx",password="xx" //ip/share /mnt/smb
umount.cifs /mnt/smb

以上~~收工嘍!