pretty code

2020年4月30日 星期四

莫名其妙的 QBurger

這是我對我公司附近 QBurger 第二次感到感冒!

最近第一次在這家買東西時,它們的裝潢上面看板只有圖片,沒有任何品項名稱,那天又因為眼睛不舒服沒有看到旁邊有菜單,後來只好默默地隨便拿了現做的三明治結帳。重點是現場沒有人,櫃台至少有 5 個工作人員也沒人想提醒我菜單位置,想到就阿雜。

今天則是單點買了杯大熱紅外帶,那麼燙居然不給袋子?真是莫名其妙,以後不會去這家店買東西了。

上一家被我列為拒絕往來戶的是路易莎咖啡。

天呀,我以後只剩小 7 了。

不論是小 7 或是其他超商的員工我都覺得很辛苦,十八般武藝樣樣精通,重點是服務都比一般服務業來得好,我是老闆一定提高他們的工資獎勵他們。

我是贊成小費制度的,本來做得好的就應該要獎勵,而不是假齊頭式的平等。

說回服務態度,昨天在小 7 買了杯熱黃金柚香咖啡,結果給了我熱美式,但我就不會生氣,因為該店員真的很辛苦,但是下次不要再給錯呀XD

2020/05/08 更新

我真是個不爭氣的消費者,中午為了跑報告比較晚出來吃飯,為了方便還是在這解決,不過剛剛的店員服務態度還蠻棒,果然世事不是只有 0 與 1。

2020/05/30 更新

後來陸續又吃了幾次,我已經習慣他們的工作模式了,只要避免下列事情,QBurger 實在是個不錯的用餐環境。

1. 外帶不要單點飲料,出貨很慢。
2. 外帶真的要飲料,不要點咖啡,因為品項過多,人力都集中在食物上,會影響製作飲料速度。
3. 內用太特殊的也不要點,例如輕食水果那項,點的人過少,需要等待一段時間。可見現代人吃的都很不健康,最棒的品項但很少人點。
4. 這家跟我之前在路易莎遇到的問題一樣,誰做什麼就只負責什麼,未能適時支援其他人,容易讓顧客無謂的等待,或是收錢的人和出餐的人要固定,但這是管理方面問題,可能只有員工都是一家人才能解決,目前無解。

電子閱讀器挑選

不知從甚麼時候開始,來到兵器譜排名第一的位置XD

https://tylpk.blogspot.com/2019/04/self.html


2020/05/08 更新

可惡的 Google 快變成邪惡微軟了,居然調整搜尋順序,害我誤會我的排名位置。

2020年4月27日 星期一

EPUB 固定版面特殊排版備忘

就我所知,EPUB 固定版面常會遇到 2 種結構:

1. 單純的每頁就是 1 張圖片,文字就在圖片裡面。
2. 每頁是 1 張圖片,但文字是另外用 HTML, CSS 語法內嵌進去。

第 1 種結構只要打開 EPUB 檔,很容易就可以取出圖片,做成 PDF 檔,方便筆記(請購買正版書籍且不要散佈)。

但當遇到第 2 種結構時,這個方法就行不通。即使使用 Calibra 的轉換功能,據我測試的結果都無法成功。

今天無意間看到做法,有些書是透過 pdf2htmlEX 這套軟體,以達到 PDF -> HTML 的效果。

我想如果認真研究一下,應該就能達到想要的結果。

記錄一下避免忘記。

Reference
http://coolwanglu.github.io/pdf2htmlEX/
https://github.com/RNCTX/PDF2HTMLEX-EPUB3FIXED

2020年4月26日 星期日

工具只是工具,終究還是要回歸人的意志力

一直以為 Readmoo Expense 可以幫助我不要一直買書,後來想想我只是找個名目練習開發 Chrome Extension 吧!每次都是買完書後,才想到要去看看這個月又買了多少錢,買書當下壓根不會想起這件事。

《輕鬆駕馭意志力》書中提到:「所謂意志力,就是善用「我要去做」「我不去做」,以及「我真正想做」這三種力量,來幫助你達成目標(同時不惹上麻煩)。」。

買書對我來說並不是為了快樂,故沒有衝動消費的困擾(第 5 章)。

買書也不是為了犒賞自己最近工作的辛苦,故不是自我放縱(第 4 章)。

雖然我還沒把那本書看完,但看起來我是真的認同「開卷有益」這句話,所以才會一直買書。

現在欠缺的只是努力賺錢和時間管理的技巧吧?

2020年4月24日 星期五

Kobo 和 Readmoo 比較

一直都想針對這兩家電子書書商做個比較,以前只是憑使用經驗與感覺覺得 Kobo 很爛,我想還是詳列一下,以求客觀 (對我自己來說)。

分數以 1 ~ 10 分做比較。

1. 硬體方面 (以我手上有的機器來比)
    Clara HD - 操作速度較快,可調整選項較多 ( 7 )
    mooInk Pro - 質感較好,有手寫功能,雖然我幾乎沒用 ( 7 )
 
    Kindle PaperWhite 3 ( 9 )

2. Android App 方面
    Kobo - 購買 44 本,扣掉漫畫 27 本,App 觀看有問題有印象就有 4 本 ( 5 )
    Readmoo - 購買 387 本,扣掉漫畫 191 本,App 觀看有問題印象只有 2 本 ( 7 )

    Kindle ( 9 )

3. Windows Desktop Application
    Kobo - 難用,速度慢 ( 4 )
    Readmoo - 正常 ( 7 )

    Kindle ( 6 )

4. 網頁使用體驗
    Kobo - 不好搜尋,速度慢,網頁 API 不是 JSON,不好 parsing ( 4 )
    Readmoo - 美觀,好用,偶爾新版書櫃書籍數量有錯,需以舊版書櫃為準 ( 8 )

    Kindle ( 5 )

5. 購書折扣對我的影響
    Kobo - 活動較多,以前折扣很驚人 ( 7 )
    Readmoo - 價格較貴,平常想買就買,偶爾才有 3 本 75 折拿來買漫畫 ( 6 )

6. 電子書格式與 Kindle 相容性
    Kobo - ( 4.5 )
    Readmoo - ( 7 )

7. 自己認為的網友支持度
    Kobo - ( 8 ~ 9 )
    Readmoo - ( 4 )

    這部分可以從討論的熱度,甚至是我的 Chrome Extension 使用率來看。

最後則是在我心目中的總分,括弧內為扣掉折扣與網友的支持度分數,看起來我是 Readmoo 的鐵粉無誤XD

Kobo - 40.5 ( 24.5 )
Readmoo - 46 ( 36 )


2020/05/20 更新

原本 Kindle App 我只給 6 分,最近因為換手機重裝 App,才發現最新的 Kindle App 可以下載字型,除了手機螢幕較小以外,安裝了我最愛的圓體後,整體感覺就跟閱讀器差不多,故調整 Kindle App 分數為 9 分。

2021/07/02 更新

因為某些原因,我已從 R 家跳到 K 家,可惜的是,現在 K 家的折扣已不如以往,坦白說送點數的方式真的很鳥!這樣也好,趁機清一下未看完的書,之後再來看要如何聰明購物吧?

2020年4月23日 星期四

使用 Windows Batch File 調整網路介面設定

之前寫了一個 Batch File 可以選擇要使用那個網路介面工作,因為 D 槽被自己的白爛程式砍掉後,暫時只能手動處理。

最近又需要頻繁切換有線網路及無線網路好登入 Linux 主機,為了增加工作效率,憑著記憶再把原本的 Batch File 重現,一天累積下來大概可以節省 1 分鐘又 40 秒吧,我果然是個節省的人XD

至少爽度無限呀!

另外,我習慣拉捷徑至桌面好方便操作,因為 Windows 10 某些指令需要管理員權限,只要在捷徑->進階內容,將以管理員身分執行選項勾選即可。

@echo off

echo 1. Use LAN network.
echo 2. Use WIFI network.
echo 3. Disable All interfaces.
echo.

set /p ID=Your choice :

IF "%ID%" == "1" (
    goto C1
)

IF "%ID%" == "2" (
    goto C2
)

IF "%ID%" == "3" (
    goto C3
)

goto END

:C1
netsh interface set interface name="乙太網路" admin=ENABLED
netsh interface set interface name="Wi-Fi" admin=DISABLED
goto END    
    
    
:C2
netsh interface set interface name="乙太網路" admin=DISABLED
netsh interface set interface name="Wi-Fi" admin=ENABLED
goto END

:C3
netsh interface set interface name="乙太網路" admin=DISABLED
netsh interface set interface name="Wi-Fi" admin=DISABLED
goto END

:END
pause

2020年4月21日 星期二

Tiny-YOLOv2 on 拾穗

Dataset:COCO, 80 classes
Framework:TensorFlow Lite 1.15.0 (Windows)
Model:Converted from TensorFlow Keras mode (h5)
Code:https://github.com/tylpk1216/tiny-yolov2-tflite

在找資料的過程,依稀有看到 YOLO 類演算法對美術作品的辨識度不錯,隨便找了一張圖片來測試,結果居然是下圖,難怪常看到有些圖案可以騙過 AI 的文章。


2020/04/22 更新

原本的 code 使用的是 anchor box 裡面的 confidence score,並未乘上 classes 的 confidence score,調整程式碼後,一個物件都辨識不出來了(Threshold 0.6),不過我想欺騙 AI 的原理應該是一致的,就是想辦法把訓練好 model 學習到的特徵集表現出來就能騙過 AI ?

將右上角的卡通狗辨識成泰迪熊。

調整左上角物品的大小,卡通狗就不是泰迪熊了。

將原本辨識出來的狗,放大到整個輸入大小,模型就失效了。