最近試用了一下 PayPal，覺得挺方便的，可以用在國際交易方面，例如購買商品等等。用法十分簡單，只要依自己習慣的貨幣存入帳戶，接著進行交易時，可以匯出對方貨幣，在按幾步後，就完成交易了！至於手續費的部分，可能還要查閱一下，以我這次用買家(付錢)的角度來看，看起來沒有任何手續費，但是，魔鬼都藏在細節裡，其實也存在一種手續費叫作「匯率」。
例如：
在 PayPal 存了美金 20 元，想要購買港幣 100 元的東西，使用 PayPal 需要支付 13.23 美金，過程中沒有任何手續費。
那匯率是多少？
1 美金 = 7.56 港幣
但問 Google 可以查到美金港幣的匯率是 1:7.76 左右，因此等於每一塊美金少了 0.2 港幣的價值，因此變相的手續費就在這裡。
目前不太清楚金額大小會不會影響匯率，如果匯率不會因金額大而變好的話，那變相的手續費還滿可觀的 Orz
之前接觸 Renderscript - HelloCompute 時，第一次了解 Mono 特效是怎樣做的。這次則是要來筆記純用 Java 和 NDK 作的方式。
環境概述(以 Renderscript - HelloCompute 架構為例)：
private Bitmap mBitmapIn;
private Bitmap mBitmapOut;
private Bitmap loadBitmap(int resource) {
final BitmapFactory.Options options = new BitmapFactory.Options();
options.inPreferredConfig = Bitmap.Config.ARGB_8888;
return BitmapFactory.decodeResource(getResources(), resource, options);
}
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.main);
...
mBitmapIn = loadBitmap(R.drawable.data); // R.drawable.data 是一張圖片
mBitmapOut = Bitmap.createBitmap(mBitmapIn.getWidth(), mBitmapIn.getHeight(), mBitmapIn.getConfig()); // 空資料，大小跟 mBitmapIn 一樣
...
// doMonoByJava(); // use Java only
// doMonoByNDK(); // use NDK
// createScript(); // use Renderscript
...
}
純 Java 版：
private void doMonoByJava() {
final float gMonoMult[] = {0.299f, 0.587f, 0.114f};
int imageHeight = mBitmapIn.getHeight();
int imageWidth = mBitmapIn.getWidth();
/* only assign, 速度慢
for( int i=0 ;i<imageWidth; ++i )
for( int j=0;j<imageHeight; ++j)
mBitmapOut.setPixel(i, j, mBitmapIn.getPixel(i, j));
*/
/* only assign, 速度快
int[] pixels = new int[imageWidth*imageHeight];
mBitmapIn.getPixels(pixels,0,imageWidth,0,0,imageWidth,imageHeight);
mBitmapOut.setPixels(pixels, 0, imageWidth, 0, 0, imageWidth, imageHeight);
*/
int[] pixels = new int[imageWidth*imageHeight];
mBitmapIn.getPixels(pixels,0,imageWidth,0,0,imageWidth,imageHeight);
for( int i=0 ; i<imageHeight*imageWidth ; ++i ) {
int R = (pixels[i] >> 16) & 0xff;
int G = (pixels[i] >> 8) & 0xff;
int B = pixels[i] & 0xff;
int m = (int)((float)R*gMonoMult[0] + (float)G*gMonoMult[1] + (float)B*gMonoMult[2] );
R = m;
G = m;
B = m;
pixels[i] = 0xff000000 | (R << 16) | (G << 8) | B;
}
mBitmapOut.setPixels(pixels, 0, imageWidth, 0, 0, imageWidth, imageHeight);
}
使用 NDK 版：
HelloCompute.java：
package com.example.android.rs.hellocompute;
public class HelloCompute extends Activity {
...
static {
System.loadLibrary("my-jni");
}
public native void doByNDK( int [] pixels, int size);
private void doMonoByNDK() {
int imageHeight = mBitmapIn.getHeight();
int imageWidth = mBitmapIn.getWidth();
int size = imageWidth*imageHeight;
int[] pixels = new int[size];
mBitmapIn.getPixels(pixels,0,imageWidth,0,0,imageWidth,imageHeight);
doByNDK(pixels,size);
mBitmapOut.setPixels(pixels, 0, imageWidth, 0, 0, imageWidth, imageHeight);
}
...
}
my-jni.c：
#include <jni.h>
void Java_com_example_android_rs_hellocompute_HelloCompute_doByNDK( JNIEnv* env, jobject thiz, jintArray pixels, jint size) {
float gMonoMult[] = {0.299f, 0.587f, 0.114f};
int i, R, G, B, m;
jboolean isCopy = JNI_FALSE;
jint *jpixels = (*env)->GetIntArrayElements(env, pixels, &isCopy);
for(i=0 ; i<size ; ++i ) {
R = (jpixels[i] >> 16) & 0xff; //bitwise shifting
G = (jpixels[i] >> 8) & 0xff;
B = jpixels[i] & 0xff;
m = (int)((float)R*gMonoMult[0] + (float)G*gMonoMult[1] + (float)B*gMonoMult[2] );
R = m;
G = m;
B = m;
jpixels[i] = 0xff000000 | (R << 16) | (G << 8) | B;
}
}
若要計算效率，可以再用這段程式碼：
Long timeCost = System.currentTimeMillis();
// do something ...
timeCost = System.currentTimeMillis() - timeCost;
System.out.println("Cost:"+timeCost);
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。
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：
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
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 :)
