Soft & Share 開源報報 222 – 使用困難的方式在 Google 雲端平台上啟動 Kubernetes，不使用 script

工具

一個社群討論的平台。自由，開放，簡單。

• https://github.com/discourse/discourse

Discourse 是為網際網路下一個十年建立的100% 開源的討論平台，可以用它做:

• 郵件列表
• 討論論壇
• long-form聊天室

這個論壇使用以下技術

• Ruby on Rails 4. Ruby on Rails — 我們的後端 API 是一個 Rails 應用程式，它用 JSON 以 restful 方式響應請求
• Ember.js — 前端使用 Ember.js 使用 Rails API 與後端溝通
• PostgreSQL — 我們的主要資料儲存在 Postgres
• Redis — 我們使用 Redis 作為快取和暫時資料
• BrowserStack — 我們使用 BrowserStack 在實際裝置和瀏覽器上進行測試

一款適用於全球加密貨幣的 macOS 應用程式

• https://github.com/balance-io/balance-open

Web 應用程式開發

OWASP 果汁線上商店: 可能是最現代和複雜，不安全的 Web 應用程式

• https://github.com/bkimminich/juice-shop

知名的 OWASP 開源組織每隔幾年就會推出 OWASP Top 10 Web 安全性風險報告這個專案使用 Node.js 為主，教你如何用現代化與複雜的 Web 開發技術，寫出「不安全」的程式碼。Juice Shop 包含了整個 OWASP 十大漏洞以及在真實世界應用程式中發現的許多其他安全漏洞！Juice Shop 可以用於安全培訓、意識(awareness)展示、 CTFs，也可以作為安全工具的試驗品！

資料科學

可伸縮、可移植和分散式梯度提升程式庫(GBDT、 GBRT 或 GBM) ，用於 Python、 R、 Java、 Scala、 C++等。在單機、 Hadoop、 Spark、 Flink 和 DataFlow 上執行

• https://github.com/dmlc/xgboost

XGBoost 是一個優化的分散式梯度提升( distributed gradient boosting )程式庫，旨在高效、靈活和便攜。它在 Gradient Boosting  下實現了機器學習演算法。XGBoost 提供了一種平行樹增強(也稱為 GBDT、 GBM) ，以快速和準確的方式解決了許多資料科學問題。同樣的程式碼在主要的分散式環境(Kubernetes，Hadoop，SGE，MPI，Dask)上執行，可以解決超過數十億個範例的問題。

附有GPU + Spark 的Java / Scala 深度學習和線性代數程式庫

• https://github.com/eclipse/deeplearning4j

Eclipse Deeplearning4J (DL4J)生態系統是一組旨在支援基於 JVM 的深度學習應用程式的所有需求的專案。這意味著從原始資料開始，從任何地方和任何格式載入和預處理它，以建構和調優各種簡單和複雜的深度學習網路。

因為 Deeplearning4J 是在 JVM 上執行的，所以除了 Java 之外，你可以在很多基於 JVM 的語言中使用它，比如 Scala、 Kotlin、 Clojure 等等。

DL4J 堆棧包括：

• DL4J: 用於建構多層網路和運算圖表的高階 API，包括自定義層。支援從 h5匯入 Keras 模型，包括 tf.keras 模型(從1.0.0-beta7開始) ，還支援在 Apache Spark 上進行分散式培訓
• ND4J: 通用線性代數程式庫，包含500多個數學、線性代數和深度學習操作。ND4J 基於高度最佳化的 C++ 程式碼庫 LibND4J，透過 OpenBLAS、 OneDNN (MKL-DNN)、 cuDNN、 cuBLAS 等程式庫提供 CPU (AVX2/512)和 GPU (CUDA)支援和加速
• SameDiff : 是 ND4J 程式庫的一部分，SameDiff 是我們的自動微分/深度學習框架。SameDiff 使用基於圖(先定義然後執行)的方法，類似於 TensorFlow 圖模式。Eager graph (TensorFlow 2.x eager/PyTorch)圖執行計劃。SameDiff 支援匯入 TensorFlow 凍結模型格式.pb (protobuf)模型。計劃匯入 ONNX、 TensorFlow SavedModel 和 Keras 模型。Deeplearning4j 還有完全的 SameDiff 支援，可以輕鬆編寫客製化層和丟失功能
• DataVec: ETL，用於機器學習資料的各種格式和檔案(HDFS、 Spark、影象、影片、音訊、 CSV、 Excel 等)
• Arbiter : 用於超參數搜尋的程式庫
• LibND4J : C++ 支援一切的C++程式庫。有關 JVM 如何訪問本機陣列和操作的更多資訊，請參見 JavaCPP

DL4j 生態系統中的所有專案都支援 Windows、 Linux 和 macOS。硬體支援包括 CUDA gpu (10.0,10.1,10.2，OSX 除外) ，x86 CPU (x86 _ 64，avx2，avx512) ，ARM CPU (ARM，arm64，arhf)和 PowerPC (ppc64le)。

Caffe: 一個快速開放的深度學習框架

• https://github.com/BVLC/caffe

Caffe 是一個基於表示式、速度和模組化的深度學習框架。它是由 Berkeley 人工智慧研究(BAIR)/ Berkeley 視覺和學習中心(BVLC)和社群貢獻者開發的。

雲端和網路管理

《計算機網路－自頂向下方法(原書第6版)》程式設計作業，Wireshark實驗文件的翻譯和解答

• https://github.com/moranzcw/Computer-Networking-A-Top-Down-Approach-NOTES

天瓏書局有在賣這本書，但是是第 7 版，教你自己實作網路應用程式，例如 Web 伺服器， UDP ping 程式， 郵件客戶端，也包含了如何使用 Wireshark

這個 repository 裡面則是涵蓋了這本書的作業與解答

使用困難的方式在 Google 雲端平台上啟動 Kubernetes，不使用 script。

• https://github.com/kelseyhightower/kubernetes-the-hard-way

本教程將指導你透過艱難的方式設定 Kubernetes。本指南不適用於尋找完全自動化的命令來啟動 Kubernetes 叢集的使用者。如果是這樣，請檢查谷歌 Kubernetes 引擎，或入門指南。

Kubernetes 艱難之路是針對學習進行最佳化的，這意味著要走很長的路，以確保理解引導 Kubernetes 叢集所需的每個任務。

行動應用程式設計

Skeleton: 一個非常簡單，響應樣板針對行動裝置友好的 Web 開發

• https://github.com/dhg/Skeleton

Skeleton 是一個簡單的，響應式樣板來啟動任何響應式專案。

為什麼很棒？

Skeleton 輕巧而簡單。它只對原始 HTML 元素進行樣式化(有少數例外) ，並提供響應式網格。僅此而已。

• 大約有400行 CSS 檔案沒有縮小，並且帶有註釋
• 這是一個起點，而不是 UI 框架
• 不需要編譯或是安裝…只是 vanilla CSS

嵌入式系統

Bocoup 開發的JavaScript Robotics和 IoT 程式設計框架。

• https://github.com/rwaldron/johnny-five

Johnny-Five 是一個開源的、基於 Firmata 通訊協定的、由 Bocoup 開發的物聯網和機器人程式設計框架。可以為 Arduino (所有型號)、 Electric Imp、 Beagle Bone、 Intel Galileo & Edison、 Linino One、 Pinoccio、 pcDuino3、 Raspberry Pi、 Particle/Spark Core & Photon、 Tessel 2、 TI Launchpad 等編寫程式！

Johnny-Five 已經從一個充滿熱情的專案發展成為一個激發學習和創造力的工具，適用於世界各地不同年齡、不同背景的人們。

有一本書有教如何使用這個程式設計框架 – [MEAP 搶鮮電子書] JavaScript on Things