[Android] 變更 CPU 狀態、使之 offline、降頻、超頻和穩頻 @ PandaBoard

之前被要求測試 Android 4.0 的 Renderscript 是否可以做平行處理，但是隨著工作量的增加，一直把這件事擺在後頭，今天，終於測試完了！最早之前，我想到的是修改 HelloCompute 範例中的 mono.rs 檔案，裡頭的 root 函式是一個工作單位，如果一台裝置是多 CPU 且系統支援平行處理的話，理論上一次會有多個工作單位在進行。因此想說擺一個 static 變數在 root 函式中，每次把數值加一並印出，依此觀察系統運作時，印出的數字是否不連續，如果不連續或有相同時，想要把這當作有平行的依據。今天則想到一個更簡單的妙招，就是在 root 函式中，用一個 loop 讓它不結束，如此一來，在雙核心的 CPU 下，就會看到兩次訊息，單核心就只會看到一個！理由很簡單，因為工作沒做完，就不會分配新的工作。

這在 Pandaboard 上測試很成功，我看到了兩次 root 函式印出的訊息，然而，我更想要驗證自己設計的方式是不是對的，那就必須找只有一個核心的裝置，甚至四核心的裝置測試，如果在一個 CPU 的裝置只看到一次，在四核心的裝置可以看到四次，那代表驗證成功了。結果把構想跟同事分享後，同事教了我一個密技！那就是手動去更改 CPU 的狀態！對 Pandaboard 來說，就是強制把一個 CPU 關掉(offline)，慶幸的，驗證對了！

這個用法其實最常看到別人修改機子的 CPU 頻率，例如一台裝置他本身的 CPU 可以跑到 500 MHz，但為了省電、穩定、商業手段等理由，系統廠會降頻跑，例如用 300 MHz 運行等等，這些則可以透過系統設定檔進行操作的，也因此有人刷機改機追求好的效能。

此例只在雙核心的板子上，手動把一顆 CPU 關掉：

$ adb devices
List of devices attached
################ device
$ adb shell ls -R /sys | grep -i cpu
...
/sys/devices/system/cpu:
cpu0
cpu1
cpufreq
cpuidle
...
$ adb shell
root@android:/ # cd /sys/devices/system/cpu
root@android:/sys/devices/system/cpu # ls
cpu0
cpu1
cpufreq
cpuidle
kernel_max
offline
online
possible
present
root@android:/sys/devices/system/cpu # cat online
0-1
root@android:/sys/devices/system/cpu # cat cpu*/online
1
1
root@android:/sys/devices/system/cpu # echo "0" > cpu1/online
root@android:/sys/devices/system/cpu # cat cpu*/online
1
0
root@android:/sys/devices/system/cpu # cat online
0

在 Pandaboard 上，因為是雙核心架構，所以會看到 CPU0 和 CPU1 的資訊，接著分別印出 /sys/devices/system/cpu/cpu0/online 和 /sys/devices/system/cpu/cpu1/online 資訊，標記 1 代表都是運作中，同時印出 /sys/devices/system/cpu/online 會是 0-1 的資訊。接著使用 echo "0" > /sys/devices/system/cpu/cpu1/online ，代表令 CPU1 下線不運作，反之 echo "1" > /sys/devices/system/cpu/cpu1/online 則是讓他醒來運作。透過這個簡單的方式，就能讓控制裝置多核心的狀態啦！真是超方便的，但別忘了執行 adb shell 時，必須有 root 權限才行。

至於 CPU 調頻、穩頻，還沒親手測過，但原理很像，就順便筆記一下：

以 /sys/devices/system/cpu/cpu0 來說，裡頭 cpufreq 目錄，裡面又有 cpuinfo_cur_freq、cpuinfo_max_freq 和 cpuinfo_min_freq 等資訊，不難猜到吧？只要把 scaling_max_freq 跟 scaling_min_freq 設成一樣就是穩頻，把 scaling_max_freq 調高則是超頻吧，有空再來試試！穩頻應該很好用，可以在一樣的 CPU 狀態下收集測試數據。

[Python] 使用 Heroku 筆記 @ Windows 7

差不多該玩一下 Heroku 了，這跟 Google App Engine 一樣，是一套 PaaS 服務架構，仔細看才發現 Heroku 竟然是架設在 EC2 上面的服務，讓我想起 Dropbox 這有名的服務是使用 S3 架構，原來有不少成功的服務不見得從機房都自己打造呢！這樣的感觸滿特別的，不需堅持自己從零開始。使用 Heroku 跟 GAE 這類服務的主因之一，是想要妥善利用身邊的資源，不見得要去租一台虛擬機器來使用，雖然權限大能做的事很多，但一開始太多資源不見得是好事，除此之外，使用 Heroku 跟 GAE 的好處是碰到流量大時，錢砸下去就可以 Scaling ，這樣的投資似乎不差吧？最大的缺點是要去習慣這些架構，轉個角度來看，或許這就是雲端的成本吧？就像把想做的事寫成符合 Hadoop/HBase 架構一樣。

對 Heroku 來說，計費方式是以 process 單位小時的方式計價，例如免費帳號就是一個月使用 750 小時不用錢，使用一隻 process 一個月是 720 小時，所以就不用錢。原先是一隻 process 用一小時 0.05 美元，其中 process 分為 web process 跟 background process 兩種。只是 Heroku 資料庫免費空間僅 5MB 而已，像 GAE 則是 1GB 大小，但是 GAE 還有計算 in/out 的資料量等等。我還沒搞懂 Heroku 有沒計算流量以及是否有限制 library 的部分 :P

好啦，回過頭講一下在 Windows 的操作方式，準備資源：

• Python 2.7




• http://www.python.org/ftp/python/2.7/python-2.7.msi


• http://www.python.org/ftp/python/2.7/python-2.7.amd64.msi




• Python - virtualenv




• virtualenv-1.7.1.2.tar.gz




• Heroku Windows




• heroku-toolbelt.exe

依序安裝完 Heroku Windows、Python 2.7 後，把 virtualenv-1.7.1.2.tar.gz 解壓縮後，就可以準備操作了，主要參考 Heroku - Getting Started with Python on Heroku/Cedar 這篇，先用最簡單的方式體驗一下，其中有用到 python Flask，這是一個輕量型 MVC 的 framework 囉。

步驟：

Python 2.7 在 C:\Python27\python.exe；virtualenv 在 C:\virtualenv-1.7.1.2；heroku-toolbelt 預設在 C:\Program Files\Heroku。安裝完軟體後，直接用 cmd 運作即可。

建立空目錄，如 helloflask

C:\Users\user>mkdir helloflask && cd helloflask
C:\Users\user\helloflask>

建立 virtualenv 環境

C:\Users\user\helloflask>C:\Python27\python.exe C:\virtualenv-1.7.1.2\virtualenv.py venv --distribute
New python executable in venv\Scripts\python.exe
Installing distribute...done.
Installing pip...done.

啟用虛擬環境：

C:\Users\user\helloflask>venv\Scripts\activate
(venv) C:\Users\user\helloflask>

安裝 Flask：

(venv) C:\Users\user\helloflask>pip install flask

Downloading/unpacking flask
Downloading Flask-0.8.tar.gz (494Kb): 494Kb downloaded
Running setup.py egg_info for package flask
...
Downloading/unpacking Werkzeug>=0.6.1 (from flask)
Downloading Werkzeug-0.8.3.tar.gz (1.1Mb): 1.1Mb downloaded
Running setup.py egg_info for package Werkzeug
...
Downloading/unpacking Jinja2>=2.4 (from flask)
Downloading Jinja2-2.6.tar.gz (389Kb): 389Kb downloaded
Running setup.py egg_info for package Jinja2
...
Successfully installed flask Werkzeug Jinja2
Cleaning up...

建立 app.py 程式(C:\Users\user\helloflask\app.py)：

import os

from flask import Flask
app = Flask(__name__)

@app.route('/')
def hello():
        return 'Hello World!'

if __name__ == '__main__':
        # Bind to PORT if defined, otherwise default to 5000.
        port = int(os.environ.get('PORT', 5000))
        app.run(host='0.0.0.0', port=port)

建立 Heroku 環境檔案：

(venv) C:\Users\user\helloflask>pip freeze > requirements.txt
(venv) C:\Users\user\helloflask>cat requirements.txt
Flask==0.8
Jinja2==2.6
Werkzeug==0.8.3
distribute==0.6.24
(venv) C:\Users\user\helloflask>echo web: python app.py > Procfile
(venv) C:\Users\user\helloflask>cat Procfile
web: python app.py

執行 web service：

(venv) C:\Users\user\helloflask>foreman start

接著就可以用瀏覽器瀏覽 http://localhost:5000 啦，可以看到印有 "Hello World!" 字樣，要結束的話就按 ctrl+c 囉

如此一來，就完成本地端的測試開發囉。至於 Deploy 的部分，則是好好看一下官網上面的介紹，這邊就不多提了。

整體上，覺得 GAE 比較簡單一點，過程中只需安裝 python 跟 GAE SDK 環境，但 Heroku 還須使用 Ruby 環境等，或許對已習慣用 Ruby 的人來說，是非常自在的 :D

行動化

越來越習慣帶著筆電的生活，有沒網路倒還好，沒資源有沒資源可以把玩的事，看看很久沒翻的電子書，不然就在本機端練習一下 GAE 也好(python跟GAE都有離線文件)，快不快活只是一個角度的差別。有網路時就把玩網路，換個環境其實還不錯的，有聲響也不會打亂寫程式的步調，有人影也能輕鬆望個幾眼，麻煩的大概是上廁所也要把東西帶在身上，以及走路背著幾公斤的重訓。我想，也到了該認真投資一台好筆電的時刻了吧？

回顧一下，兩個月左右，接觸了硬體界的朋友，才發現硬體界似乎不是我想走的方向，這邊一樣高深莫測，但我開始比較清楚自己想要的是甚麼東西了，剛好幾天前跟 IC 界的聊天，他說目前 IC 廠很缺上層玩 ap 的人，只是十年了，玩上層 ap 仍被認為是一件簡單的事，彷彿純軟的、沒硬體成本的容易不被重視。這讓我想起工作上曾跟硬體界的朋友開會，他一頭就劈做 xxx 的有啥難的，不就想一下演算法就解掉了嗎？說真的我無法反駁，我無法證明問題的難易度，這不像硬體可以用看的、摸的、花錢的等等的估算。

無論如何，還是要珍惜手邊的資源，把能學能掙的要盡量把握，深信某一天某一刻一定會派上用場的 :)

Android 開發教學筆記 - 研究 Renderscript 以 Carousel 為例 @ PandaBoard

這個 Carousel 例子是一個類似翻頁動作的特效，仔細看一下，是不是覺得自己在一個圓心中間，被很多照片包圍住呢？這個例子是 10 張照片，等於你走進了一個 10 面牆的房間，隨著你觸動移動事件，等於房間每面牆近似以你為中心旋轉。猜測原理後，就可以去驗證實做了。

此圖為正六邊形。左下角用來推邊長 len，右上角用來推各點 P1, P2, ... 的座標，θ就是兩頂點的夾角，此外，定義右下角是第一象限，左下是第二。

首先，讓我驗證這是個正 n 邊形的效果，主要是看到這段程式碼：

@ initBitmaps(): // Calculate the length of the polygon
len = RADIUS * 2 * sin(M_PI/NUM_ITEMS);

這是計算正 n 邊形的邊長公式，其中 n = NUM_ITEMS，此例就是 10 張照片

接著，開始計算正 n 邊形各頂點的三維座標資訊：

此例是把 y 軸當作 0 來看代 (x,y,z) = ( sinθ * RADIUS, 0, -cosθ * RADIUS)

@ initBitmaps(): // Calculate the vertices of rectangles
vertices[i*3] = sin(angle * M_PI / 180) * RADIUS;
vertices[i*3 + 1] = 0;
vertices[i*3 + 2] = -cos(angle * M_PI / 180) * RADIUS;

畫出正 n 邊形：

@ displayCarousel(): // Draw the rectangles
for (int i = 0; i < 10; i++) {
        ...
        rsgDrawQuadTexCoords(...);
        ...
}

rsgDrawQuadTexCoords 則是輸入長方形四個座標點，但是每一個頂點傳入的參數還有多了兩個，該數值通常定義為 (u, v)，其中 u = 0 代表左邊，反之右邊，而 v =0 代表上面，反之下面，因此此例依序透過 (u, v) = (0, 1), (0, 0), (1, 0), (1, 1)來描述頂點位置。其中 (0, 1) 和 (0, 0) 使用的頂點座標位置分別是 ( r*sinθ , -(len/2), -r*cosθ ) 和 ( r*sinθ , len/2, -r*cosθ )，還記得最初定義得座標系嗎？ y 軸是縱軸，此例第一張照片左上角座標為 ( r*sinθ , len/2, -r*cosθ )，左下角為 ( r*sinθ , -(len/2), -r*cosθ )，至於第一張圖的右上角跟右下角得座標，那就是用正 n 邊形第二個頂點來計算，以此規則算出 10 張照片的座標位置

至於觸動時的旋轉效果，則是透過 rotate 的功能實作的：

@ displayCarousel():
// Load vertex matrix as model matrix
rs_matrix4x4 matrix;
rsMatrixLoadTranslate(&matrix, 0.0f, 0.0f, -400.0f); // camera position
rsMatrixRotate(&matrix, rot, 0.0f, 1.0f, 0.0f); // camera rotation
rsgProgramVertexLoadModelMatrix(&matrix);

先把 camera(觀看照片的位置？) 位置移到 (0,0,-400) 位置，由於此正 n 邊形半徑為 828，因此距離照片 428 各單位。接著讓 camera 的位置對 (0,1,0) 向量旋轉，就達成這個效果囉

其他資訊：

rsMatrixLoadPerspective 對應 OpenGL:gluPerspective，以 void gluPerspective( GLdouble fovy, GLdouble aspect, GLdouble zNear, GLdouble zFar); 來說，分別為視角、寬高(長)比、前景和背景，查 wiki 可知人的視角大約 120 度，魚眼是 180 度，在此例是 30 度視角為例，接著寬高(長)比沒啥問題，而 near 和 far 的參數，若有玩單眼相機的話，應該不會太陌生，在網路上找資料的結果，通常前景是用一個大於 0 的數值，如 0.1f 等。

rsMatrixLoadTranslate 對應 OpenGL: glTranslate，以 void glTranslated(GLdouble x, GLdouble y, GLdouble z); 來說，就是切換到 (x,y,z) 座標

rsMatrixRotate 對應 OpenGL: glRotate，以 void glRotated(GLdouble angle, GLdouble x, GLdouble y, GLdouble z); 來說，代表以 (x,y,z) 向量為軸心，旋轉 angle 弧度。此外，(0,1,0) 和 (0,100,0) 都是一樣的向量，網路資料是說用 (0,1,0) 所造成的運算量較低。

而 rsMatrixLoadTranslate 和 rsMatrixRotate 定義可在 Renderscript Reference 查詢。

[Python] 使用 Google App Engine 之資料模型(Data Model)筆記 @ Windows 7

操作簡單的 GAE 後，開始來摸摸資料儲存的部分。對於 GAE DB 的部分，操作不難，跟 Django 很像，先定義一個 Data Model (資料庫的資料表)，接著就可以操作了！此例僅簡單帶過，更豐富的操作方式請參考官網 GAE - 資料模型。

建立 NewsData 資料模型：

from google.appengine.ext import db

class NewsData(db.Model):
        check = db.StringProperty()
        url = db.StringProperty()
        title = db.StringProperty()
        date = db.DateProperty()

新增一筆資料：

import datetime
item = NewsData(chech='1',url='http://localhost',title='TestNews',date=datetime.datetime.now().date())
item.put()

查詢資料：

使用 Data Model 查詢：

q = NewsData.all()
results = q.fetch(3)
for p in results:
        print '<a href="%s">%s</a>' % (p.url,p.title)

使用 GqlQuery 之 SQL 語法：

# 查詢 3 天內的新聞
q = db.GqlQuery("SELECT * FROM NewsData WHERE date > :1 ORDER BY date DESC", datetime.datetime.now().date() - datetime.timedelta(days=3) )
results = q.fetch(3)
for p in results:
        print '<a href="%s">%s</a>' % (p.url,p.title)

上述都很淺顯易懂，接著能嘗試簡易的 MVC 架構，把 DB Modle 定義在 mydb.py 檔，由 myput.py 和 myquery.py 作為 CGI 來操作(MVC的 VC 偷懶合在一起 XD)。

目錄結構：

app.yaml
favicon.ico
index.yaml
main.py
mydb.py
myquery.py
myput.py

app.yaml：

application: engineapp
version: 1
runtime: python
api_version: 1

handlers:
- url: /favicon\.ico
  static_files: favicon.ico
  upload: favicon\.ico

- url: /query
  script: myquery.py

- url: /put
  script: myput.py

- url: .*
  script: main.py

mydb.py：

from google.appengine.ext import db
class NewsData(db.Model):
        check = db.StringProperty()
        url = db.StringProperty()
        title = db.StringProperty()
        date = db.DateProperty(auto_now_add=True)

myput.py：

# -*- coding: utf-8 -*-
print 'Content-Type: text/html'
print ''

import mydb
import cgi, hashlib, datetime, urllib
from google.appengine.ext import db

request = cgi.FieldStorage()

newsDate = datetime.datetime.now().date()
newsTitle = 'defaultTitle' if request is None or 'title' not in request or request['title'].value == '' else cgi.escape(request['title'].value)
newsURL = 'http://localhost' if request is None or 'url' not in request or request['url'].value == '' else request['url'].value
newsCheck = hashlib.md5(str(newsTitle)+str(newsURL)).hexdigest()

if mydb.NewsData.all().filter('check =',newsCheck).get() is None:
        item = mydb.NewsData(check=newsCheck,url=unicode(newsURL,'utf-8'),title=unicode(newsTitle,'utf-8'),date=newsDate)
        item.put()
        print 'Put'
else:
        print 'No Operation'

myquery.py：

# -*- coding: utf-8 -*-
print 'Content-Type: text/html'
print ''

import mydb
import datetime
from google.appengine.ext import db

print """
<html>
        <head>
                <meta http-equiv="Content-Type" content="text/html; charset=utf-8">
        </head>
        <body>
"""

q = db.GqlQuery("SELECT * FROM NewsData WHERE date > :1 ORDER BY date DESC", datetime.datetime.now().date() - datetime.timedelta(days=3) )
results = q.fetch(50)
for p in results:
        url = p.url
        date = p.date
        check = p.check
        title = p.title
        print '<a href="%s">[%s] %s(%s)</a><br />' % ( url.encode('utf-8'), date, title.encode('utf-8'), check.encode('utf-8') )

print """
        </body>
</html>
"""

如此一來，透過瀏覽 http://localhost:port/put (或 http://localhost:port/put?title=123&url=www.google.com ) 新增資料，透過 http://localhost:port/query 顯示資料。除此之外，還可以透過 Google App Engine Launcher 的 SDK Console ，直接用瀏覽器去查看資料庫的東西，實在方便：

這邊容易碰到的問題是 DB 內資料的編碼問題，我在 myput.py 把 CGI 得到的東西用 unicode(data,'utf-8') 的存進資料庫，在 myquery.py 時，則是用 data.encode('utf-8') 處理印出的部分。