seke blog: 2016

2016年9月22日星期四

Trying to get property of non-object in /.../class-category-sticky-post.php on line 200

WordPress啟用類別置頂插件category-sticky-post後，
類別內若無文章，會出現無貼文可置頂訊息:

    Trying to get property of non-object in /.../wp-content/plugins/category-sticky-post/class-category-sticky-post.php on line 200

解法如下: 在add_styles()方法，增加isset($post->ID) && 判別指令。

    category-sticky-post/class-category-sticky-post.php

      public function add_styles() {

        global $post;

        if( isset($post->ID) && is_archive() && '1' !== get_post_meta( $post->ID, 'category_sticky_post_border', true ) ) {
          wp_enqueue_style( 'category-sticky-post', plugins_url( '/category-sticky-post/css/plugin.css' ) );
        }
      }


參考:
https://tommcfarlin.com/category-sticky-post-2-1-0-support-post-types/

2016年5月24日星期二

four kinds of design for adding operation of two rationals

有理數加法的幾種設計: 結果回傳或覆蓋 vs 類別或物件方法
  (1) public static Rational add(Ratinoal r1, Rational r2)
      // 用法:  Rational r3 = Rational.add(r1,r2);  // r3=r1+r2

  (2) public static void add(Ratinoal r1, Rational r2)
      // 用法:  Rational.add(r1,r2);  // r1=r1+r2

  (3) public Rational add(Rational r2)
      // 用法:  Rational r3 = r1.add(r2);  // r3=r1+r2

  (4) public void add(Rational r2)
      // 用法:  r1.add(r2);  // r1=r1+r2

2016年5月23日星期一

Canonical Weighted Sum (CWS) Gates for Simplifying Bayesian Network Inference

decampos-10-ijar-combining content-based and collaborative recommendations- a hybrid approach based on bayesian networks

The following will explain the examples in pp793-794 of the paper.

Assume that I and F nodes in the bayesian network are binary random variables.
If the set of parent nodes of node I6 is Pa(I6) = { F6, F7, F8},
then the 8 possible configurations of conditional joint probabilities are
     pa1(I6) = (f6,1 & f7,1 & f8,1)
     pa2(I6) = (f6,0 & f7,1 & f8,1)
     pa3(I6) = (f6,1 & f7,0 & f8,1)
     pa4(I6) = (f6,1 & f7,1 & f8,0)
     pa5(I6) = (f6,0 & f7,0 & f8,1)
     pa6(I6) = (f6,0 & f7,1 & f8,0)
     pa7(I6) = (f6,1 & f7,0 & f8,0)
     pa8(I6) = (f6,0 & f7,0 & f8,0)

By use of Canonical Weighted Sum (CWS) Gates, which consist of 2x2x3=12 weights,
computation of 16 conditional joint probabilities (having 8 degrees of freedom)
can be decomposed into the summation of 12 weights (having 3 degrees of freedom):
 w(f6,1&i6,1) = w(f6,0&i6,0) = 0.3
 w(f7,1&i6,1) = w(f7,0&i6,0) = 0.4
 w(f8,1&i6,1) = w(f8,0&i6,0) = 0.3
and
 w(f6,1&i6,0) = w(f6,0&i6,1) = 0
 w(f7,1&i6,0) = w(f7,0&i6,1) = 0
 w(f8,1&i6,0) = w(f8,0&i6,1) = 0

Pr(i6,0 | pa1(I6))= Pr(i6,0 | f6,1 & f7,1 & f8,1) = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) = 0
Pr(i6,1 | pa1(I6))= Pr(i6,1 | f6,1 & f7,1 & f8,1) = w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 0.3 + 0.4 + 0.3 = 1

Pr(i6,0 | pa2(I6))= Pr(i6,0 | f6,0 & f7,1 & f8,1) = w(f6,0&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) = 0.3
Pr(i6,1 | pa2(I6))= Pr(i6,1 | f6,0 & f7,1 & f8,1) = w(f6,0&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 0 + 0.4 + 0.3 = 0.7

Pr(i6,0 | pa3(I6))= Pr(i6,0 | f6,1 & f7,0 & f8,1) = w(f6,1&i6,0) + w(f7,0&i6,0) + w(f8,1&i6,0) = 0.4
Pr(i6,1 | pa3(I6))= Pr(i6,1 | f6,1 & f7,0 & f8,1) = w(f6,1&i6,1) + w(f7,0&i6,1) + w(f8,1&i6,1) = 0.3 + 0 + 0.3 = 0.6

Pr(i6,0 | pa4(I6))= Pr(i6,0 | f6,1 & f7,1 & f8,0) = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,0&i6,0) = 0.3
Pr(i6,1 | pa4(I6))= Pr(i6,1 | f6,1 & f7,1 & f8,0) = w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,0&i6,1) = 0.3 + 0.4 + 0 = 0.7

Pr(i6,0 | pa5(I6))= Pr(i6,0 | f6,0 & f7,0 & f8,1) = w(f6,0&i6,0) + w(f7,0&i6,0) + w(f8,1&i6,0) = 0.3 + 0.4 = 0.7
Pr(i6,1 | pa5(I6))= Pr(i6,1 | f6,0 & f7,0 & f8,1) = w(f6,0&i6,1) + w(f7,0&i6,1) + w(f8,1&i6,1) = 0 + 0 + 0.3 = 0.3

Pr(i6,0 | pa6(I6))= Pr(i6,0 | f6,0 & f7,1 & f8,0) = w(f6,0&i6,0) + w(f7,1&i6,0) + w(f8,0&i6,0) = 0.3 + 0 + 0.3 = 0.6
Pr(i6,1 | pa6(I6))= Pr(i6,1 | f6,0 & f7,1 & f8,0) = w(f6,0&i6,1) + w(f7,1&i6,1) + w(f8,0&i6,1) = 0 + 0.4 + 0 = 0.4

Pr(i6,0 | pa7(I6))= Pr(i6,0 | f6,1 & f7,0 & f8,0) = w(f6,1&i6,0) + w(f7,0&i6,0) + w(f8,0&i6,0) = 0 + 0.4 + 0.3 = 0.7
Pr(i6,1 | pa7(I6))= Pr(i6,1 | f6,1 & f7,0 & f8,0) = w(f6,1&i6,1) + w(f7,0&i6,1) + w(f8,0&i6,1) = 0.3 + 0 + 0 = 0.3

Pr(i6,0 | pa8(I6))= Pr(i6,0 | f6,0 & f7,0 & f8,0) = w(f6,0&i6,0) + w(f7,0&i6,0) + w(f8,0&i6,0) = 0.3 + 0.4 + 0.3 = 1
Pr(i6,1 | pa8(I6))= Pr(i6,1 | f6,0 & f7,0 & f8,0) = w(f6,0&i6,1) + w(f7,0&i6,1) + w(f8,0&i6,1) = 0

1 = Pr(i6,0 | pa(I6)) + Pr(i6,1 | pa(I6))
  = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) + w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 1

============================

Given Pa(U4) = { I1, I3, I6, I7, I8, I10 } with six-value (0,1,~,5) random variable U,
the network consists of 2x6x6=72 weights.

By the following 12 nonzero weights having 6 degrees of freedom (with all other weights being 0):
       w(i1,1&u4,1) = w(i3,1&u4,1) = w(i6,1&u4,2) = w(i7,1&u4,1) = w(i8,1&u4,3) = w(i10,1&u4,5) = 0.166
and
       w(i1,0&u4,0) = w(i3,0&u4,0) = w(i6,0&u4,0) = w(i7,0&u4,0) = w(i8,0&u4,0) = w(i10,0&u4,0) = 0.166
we can compute any Pr(U4 | pa(U4)) conditional probabilities by summation of the 12 nonzero weights.

(1) pa(U4) = { i1,1 & i3,1 & i6,1 & i7,1 & i8,1 & i10,1 }

Pr(u4,0 | pa(U4)) = w(i1,1&u4,0) + w(i3,1&u4,0) + w(i6,1&u4,0) + w(i7,1&u4,0) + w(i8,1&u4,0) + w(i10,1&u4,0)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,1 | pa(U4)) = w(i1,1&u4,1) + w(i3,1&u4,1) + w(i6,1&u4,1) + w(i7,1&u4,1) + w(i8,1&u4,1) + w(i10,1&u4,1)
    = 0.166        + 0.166        + 0            + 0.166        + 0            + 0
    = 0.5

Pr(u4,2 | pa(U4)) = w(i1,1&u4,2) + w(i3,1&u4,2) + w(i6,1&u4,2) + w(i7,1&u4,2) + w(i8,1&u4,2) + w(i10,1&u4,2)
    = 0            + 0            + 0.166        + 0            + 0            + 0
    = 0.166

Pr(u4,3 | pa(U4)) = w(i1,1&u4,3) + w(i3,1&u4,3) + w(i6,1&u4,3) + w(i7,1&u4,3) + w(i8,1&u4,3) + w(i10,1&u4,3)
    = 0            + 0            + 0            + 0            + 0.166        + 0
    = 0.166

Pr(u4,4 | pa(U4)) = w(i1,1&u4,4) + w(i3,1&u4,4) + w(i6,1&u4,4) + w(i7,1&u4,4) + w(i8,1&u4,4) + w(i10,1&u4,4)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,5 | pa(U4)) = w(i1,1&u4,5) + w(i3,1&u4,5) + w(i6,1&u4,5) + w(i7,1&u4,5) + w(i8,1&u4,5) + w(i10,1&u4,5)
    = 0            + 0            + 0            + 0            + 0            + 0.166
    = 0.166

1 = Pr(u4,1 | pa(U4)) + Pr(u4,2 | pa(U4)) +　Pr(u4,3 | pa(U4)) + Pr(u4,4 | pa(U4)) + Pr(u4,5 | pa(U4))
  = 0.5 + 0.166 + 0.166 + 0 + 0.166

(2) pa(U4) = { i1,0 & i3,0 & i6,1 & i7,1 & i8,0 & i10,0 }

Pr(u4,0 | pa(U4)) = w(i1,0&u4,0) + w(i3,0&u4,0) + w(i6,1&u4,0) + w(i7,1&u4,0) + w(i8,0&u4,0) + w(i10,0&u4,0)
    = 0.166        + 0.166        + 0            + 0            + 0.166        + 0.166
    = 0.666

Pr(u4,1 | pa(U4)) = w(i1,0&u4,1) + w(i3,0&u4,1) + w(i6,1&u4,1) + w(i7,1&u4,1) + w(i8,0&u4,1) + w(i10,0&u4,1)
    = 0            + 0            + 0            + 0.166        + 0            + 0
    = 0.166

Pr(u4,2 | pa(U4)) = w(i1,0&u4,2) + w(i3,0&u4,2) + w(i6,1&u4,2) + w(i7,1&u4,2) + w(i8,0&u4,2) + w(i10,0&u4,2)
    = 0            + 0            + 0.166        + 0            + 0            + 0
    = 0.166

Pr(u4,3 | pa(U4)) = w(i1,0&u4,3) + w(i3,0&u4,3) + w(i6,1&u4,3) + w(i7,1&u4,3) + w(i8,0&u4,3) + w(i10,0&u4,3)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,4 | pa(U4)) = w(i1,0&u4,4) + w(i3,0&u4,4) + w(i6,1&u4,4) + w(i7,1&u4,4) + w(i8,0&u4,4) + w(i10,0&u4,4)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,5 | pa(U4)) = w(i1,0&u4,5) + w(i3,0&u4,5) + w(i6,1&u4,5) + w(i7,1&u4,5) + w(i8,0&u4,5) + w(i10,0&u4,5)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

1 = Pr(u4,1 | pa(U4)) + Pr(u4,2 | pa(U4)) +　Pr(u4,3 | pa(U4)) + Pr(u4,4 | pa(U4)) + Pr(u4,5 | pa(U4))
  = 0.666 + 0.166 + 0.166 + 0 + 0

============================

Suppose that Acf = A4 or user 4.
Given Pa(Acf) = { Ux, Uy, Uz } with with six-value (0,1,~,5) random variable Acf,
the network consists of 6x6x3=108 weights.

By the following ? nonzero weights having ? degrees of freedom (with all other weights being 0):
       w(ux,5&acf,4) = 0.54
       w(uy,1&acf,4) = 0.15
       w(uz,4&acf,4) = 0.09
and
       w(ux,0&acf,0) = 0.6
       w(uy,0&acf,0) = 0.3
       w(uz,0&acf,0) = 0.1
we can compute any Pr(Acf | pa(Acf)) conditional probabilities by summation of the ? nonzero weights.


(1) pa(Acf) = { ux,5 & uy,1 & uz,4 }

Pr(acf,4 | pa(U4)) = w(ux,5&acf,4)               + w(uy,1&acf,4)               + w(uz,4&acf,4)
     = RSim(Ux,Acf) * Pr(A=4|Ux=5) + RSim(Uy,Acf) * Pr(A=4|Uy=1) + RSim(Uz,Acf) * Pr(A=4|Uz=4)
     = 0.6          * 0.9          + 0.3          * 0.5          + 0.1          * 0.9
                   = 0.78

(2) pa(Acf) = { ux,0 & uy,1 & uz,4 }

Pr(acf,4 | pa(U4)) = w(ux,0&acf,4)               + w(uy,1&acf,4)               + w(uz,4&acf,4)
     = 0                           + RSim(Uy,Acf) * Pr(A=4|Uy=1) + RSim(Uz,Acf) * Pr(A=4|Uz=4)
     = 0                           + 0.3          * 0.5          + 0.1          * 0.9
                   = 0.24

(3) pa(Acf) = { ux,0 & uy,1 & uz,4 }

Pr(acf,0 | pa(U4)) = w(ux,0&acf,0)               + w(uy,1&acf,0)               + w(uz,4&acf,0)
     = RSim(Ux,Acf)                + 0                           + 0
     = 0.6                         + 0                           + 0
     = 0.6

2016年5月3日星期二

why object-oriented programming provides encapsulation, inheritance, and polymorphism

一般完整的物件導向語言提供封裝、繼承、多型三大功能，允許以合成或繼承方式建構新物件。

其中，封裝(encapsulation)旨在保護私密資料的安全、完整性，其存取唯有透過公開的屬性存取(窗口)或運算方法達成之。

合成(composition)是一種利用物件建構物件的方法，物件之間的擁有(has-a)關係可形成階層樹狀圖。

繼承(inheritance)旨在提供新用舊的機制，讓後代需要用到親代原來的屬性及方法時，直接沿用，不必重造車輪。
繼承也是一種利用物件建構物件的方法，物件之間的屬於(is-a)關係可形成階層樹狀圖。

多型(polymorphism)旨在繼承架構下提供舊用新的機制，讓親代也有機會用到後代創新的新行為、新功能。

find the unique second smallest number in excel

一般 Excel 找最小或最大值可以使用 MIN(range) 或 MAX(range)函數，其中，range表示儲存格範圍。如果想要找第2小或第2大也可以使用 SMALL(range, 2) 或 LARGE(range, 2)，其中，2表示順序第2。但是以找最小為例，有時候遇到第1小及第2小值一樣，就看不出值分布情形。若希望能看到不同值的第2小數字，可以使用如下函數:

     = SMALL(range, COUNTIF(range, MIN(range)) + 1)

其中， SMALL(range, n) 可回傳 range 範圍內順序第 n 小的數字。 COUNTIF(range, MIN(range)) 可回傳 range 範圍內符合最小值的儲存格個數。此個數加1之後，即為不同值第2小數字之順序。因此可餵給 SMALL 函數，回傳不同值第2小數字出來。

至於不同值第3或第n小數字，可能就需要更複雜的 FREQUENCY 陣列函數或自己寫巨集計算了。

2016年4月20日星期三

how to retrieve access-denied files in an old disk drive

 
       系統掛載舊硬碟之後,因原始身份別不同,常有權限不符,無法讀取現象
 --
 因為目錄常啟用繼承上一層目錄的權限,因此比較省事的方法就是
  找到最上一層開始出現讀不到的共通目錄,由此設定Everyone完全控制
  其餘子層目錄根據繼承就會沿用Everyone完全控制
 --
 目錄/內容/安全性/進階/
  權限:按[停用繼承],選[從此物件中移除所有繼承權限]
       新增/允許/Everyone/完全控制/繼承自無/套用到這個資料夾、子資料夾及檔案
       勾選[以可從此物件繼承的權限項目取代所有子物件的權限項目(P)]
       選[套用]
  擁有者:變更
         請輸入物件名稱來選取(E): Everyone
         檢查名稱
         確定
        勾選[取代子容器與物件的擁有者]
        選[套用]
 --
 目錄檔案權限:各符合身份之帳號權限的最寬鬆集合
 分享權限:各符合身份之帳號權限的最寬鬆集合
 最終權限: 兩者之最嚴謹集合

2016年3月9日星期三

three kinds of traffic segmentation functions on a switch

企業在區網內會使用較高階的交換器，主要看重其3種分隔流量功能:

1.針對1對1單播訊框，可依照去處網卡住址MAC，決定訊框轉送出口，提升同時間會談量。

2.針對1對多廣播訊框，可依照延伸樹STP協定，決定埠口暫時開啟或關閉傳送功能，防止廣播風暴。

3.擁有虛擬區網VLAN功能，可任意跨交換器轉送訊框給相同VLAN接收者，不擔心資料外洩給其他VLAN。

2016年2月25日星期四

Example of Converting Taiwan Skills Certification Test Bank for Moodle Use

勞動部技術士技能檢定學科題庫轉成moodle平台試題法

如果想利用Moodle平台的測驗卷功能練習技術士檢定學科題目，
必須先將題庫轉成Aiken純文字格式，才能匯入平台開測驗卷。
本方法只適用純文字單選題，不適用含圖形之題目。
用到的軟體工具有一般瀏覽器、微軟Word、UltraEdit、微軟記事本。
其轉換步驟如下:

A.下載檢定題目

  從如下題庫網址，
    勞動部技術士檢定學科題庫
    http://www.labor.gov.tw/home.jsp?pageno=201109290020
  選擇適當級別及科目之學科題目，格式為.pdf。

B.轉換題目檔案格式

  利用如下線上轉檔網址，
    Convert PDF to Word (Free!)
    http://www.pdfonline.com/pdf-to-word-converter/
  將題目從.pdf格式還原為.rtf格式。

C.轉換題目為Big5純文字檔

  從微軟Word軟體，
  先用常用/取代功能，作如下1,2,3,4選項的字串取代，
   "①"  替換為 "A. "
   "②"  替換為 "B. "
   "③"  替換為 "C. "
   "④"  替換為 "D. "
  再用另存新檔功能，
  將.rtf格式轉換為.txt純文字格式。

  例如:
    1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？①網路層（Network）②實體層（Physical）③應用層 （Application）④傳輸層（Transport）。
  變成:
    1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？A.  網路層（Network）B.  實體層（Physical）C. 應用層 （Application）D. 傳輸層（Transport）。

D.調整題目內容符合Aiken格式

  利用UltraEdit的如下正規式功能
   UltraEdit/Search/Replace/Regular_Expressions
  逐步調整欄位相關內容:

  D1.每個選項獨立為一行
        "A. " 替換為 "^pA. "
        "B. " 替換為 "^pB. "
        "C. " 替換為 "^pC. "
        "D. " 替換為 "^pD. "

   說明:
        ^p表示換行字元
   例如:
       1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？A.  網路層（Network）B.  實體層（Physical）C. 應用層 （Application）D. 傳輸層（Transport）。
   變成:
       1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
       A.  網路層（Network）
       B.  實體層（Physical）
       C. 應用層 （Application）
       D. 傳輸層（Transport）。

  D2.擷取答案1,2,3,4
         "%[0-9]+.*(^([1-4]^))" 替換為 "ANSWER: ^1 ^p"

   說明:
         %表示行開頭，[0-9]+表示1個以上由0~9任一字元組成的字串，
         .*表示任意字元數的字串，[1-4]表示1~4任一字元，
         ^(.....^)表示擷取.....範圍內的字串，^1表示代入匹配擷取成功的第1組字串。
   例如:
          1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
   變成:
          ANSWER:  2
          在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？

  D3.調整答案欄位到題目之後
        "%^(ANSWER: [A-D]^)^p ^(?*^pA.?*^pB.?*^pC.?*^pD.?*^)$"
        替換為
        "^2^p^1"

   說明:
         %表示行開頭，$表示行結尾，[A-D]表示A~D任一字元，^p表示換行字元，
         ^(.....^)表示擷取.....範圍內的字串，
         ^1表示代入匹配擷取成功的第1組字串，^2表示代入匹配擷取成功的第2組字串。
   例如:
         ANSWER:  2
         在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
         A.  網路層（Network）
         B.  實體層（Physical）
         C. 應用層 （Application）
         D. 傳輸層（Transport）。
   變成:
         在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
         A.  網路層（Network）
         B.  實體層（Physical）
         C. 應用層 （Application）
         D. 傳輸層（Transport）。
         ANSWER:  2

E.存成UTF-8格式

   利用記事本讀入修改題庫，另存新檔成UTF-8格式。

F.匯入moodle平台

   利用moodle的[課程管理/題庫/匯入]選單，選擇Aiken格式，選擇一檔案，匯入。
   再為題庫設定階層類型的名稱，供後續出試題之用。
   
參考:
1. UltraEdit 正規式說明:
     http://www.ultraedit.com/support/tutorials_power_tips/ultraedit/regular_expressions.html
2. Moodle載入題庫及出試題說明:
     http://budamedia.blogspot.tw/2014/12/moodle.html

2016年1月7日星期四

cache-based memory access time

mchoes-11-cengage-understanding operating systems, 6ed.

課本第3章提到快取記憶體時，有計算平均記憶體存取時間(AvgMemAccessTime)的公式。
其中，h為快取命中率，AvgCacheAccessTime為快取存取時間，AvgMainMemAccTime為主記憶體存取時間。


(1)當假設CPU取用記憶體前，採用一律先詢問快取記憶體，若沒有再詢問主記憶體的循序作法時，
   則所花時間依下式計算，可簡化為課本式子。

   AvgMemAccessTime
   = h * AvgCacheAccessTime + (1-h) * [AvgCacheAccessTime + AvgMainMemAccTime] 
   = AvgCacheAccessTime + (1-h) * AvgMainMemAccTime


(2)當假設CPU取用記憶體前，採用快取記憶體及主記憶體兩者同時詢問，看誰先回覆的並行作法時，
   則所花時間依下式計算，即為如下式子。

   AvgMemAccessTime 
   = h * AvgCacheAccessTime + (1-h) * AvgMainMemAccTime


雖然課本提到兩種作法都可能採用，但是多數為第1種循序作法，故建議用課本式子計算。

訂閱：文章 (Atom)

2016年9月22日 星期四

2016年5月24日 星期二

2016年5月23日 星期一

2016年5月3日 星期二

2016年4月20日 星期三

2016年3月9日 星期三

2016年2月25日 星期四

2016年1月7日 星期四