https://www.ft.com/content/fc413158-c5f1-11e8-82bf-ab93d0a9b321

厉害了, 清华(留美预备学堂)怎么办??

我出生在北京, 成长在北京, 我一家都是读书人, 小时候家里人总说, 男儿若遂平生志,六经勤向窗前读.

然而, 我的小学,育英学校, 是一所集权贵子弟. 我的高中八十, 更是使馆孩子的家园. 在这里, 我的观念产生了分歧. 一方面我的父亲是浙大毕业的, 我的母亲毕业于交大, 他们不断重复着读书的重要性, 读书能改变命运, 但是在他们给我的高质量生活中, 我不觉得需要什么改变. 另一方面学校中子弟们的奢华遮挡住我读书的眼睛. 我看到的都是糜烂的生活和纵欲的快感. 于是我渐渐放弃了读书. 长大后, 我更是听到很多社会的不公, 才无法理解读书的目的.

直到我看到了我爱人. 我这辈子最佩服的人. 才发现, 读书是最长远的投资, 是最有价值的投资. 那就是投资自己. 今年美国eb1排期, 破天荒使用了表b, 更证明了, 学习好 真是屌

首先我们来看看它是干嘛的:

Wiki上写: 应材，是全球最大的半导体设备和服务供应商.

其实它主要是生产高级的wafer的.  wafer又叫晶圆, 就是半导体的基础载体. 这个不比细究. 应用材料的的对手有 Lam Research(), Micron Technology(美光科技). 相关股票有台积电和一帮下游企业比如nvda(英伟达)和amd(农企?)

接下来, 我们来看看今天的应用材料的股票:

应材怎么了?

如果你关注这个股票你肯定知道, 昨天是它发财报的日子, 这个跌法, 怕不是财报不好吧? 非也非也, 18Q3的财报显示, 应材beat了花街的expect, 也beat了revenues, 并且较往年同期增长19%. 然而, 因为在大会上, 对于花街给的下一季度(18Q4)的绩报预期表示不满, 提出可能达不到预期. 就招来这样的卖空.  作为chip业的上游老大, 被卖空这样, 小弟们和下游的鱼鱼虾虾们, 自然不会好过:

先看看二弟:

Lam

再看下游的鱼虾:

Nvda

结语:

拿着就好, 刚在挪威建了场, 还能死了不成?

今天有人问我这个问题, 我觉得这个是一个很常见的问题, 通常有以下几个情况:

1. 同学A暑假开uber赚钱不回国.
2. 同学B暑假回国看父母, 出租自己租住的房屋三个月, 收取cash.
3. 同学C暑假接机送机, 并收取相应报酬.
4. 同学D暑假回国看父母, 并在Airbnb上出租自己购买的房屋的其中一间.
5. 同学G帮人出租他人购买房屋, 并且收取相应报酬.

Short Answer:

1. 可以.
2. 不可以.
3. 可以.
4. 不可以
5. 不可以.

Long Answer:

首先这个问题涉及美国两个部门: USCIS(美国公民及移民服务局), IRS(美国国家税务局).

USCIS规定, 持F签证的国际学生, 不可以从事off camp的工作. 需要申请OPT或者CPT. 但是OPT和CPT必须是本专业相关的工作. 所以这里开uber和做airbnb都是不可以的, 因为uber和airbnb是一种中介平台服务, 你和他们签订了条约. 这个条约是被认为是全职/兼职工作, 然而F签证的国际学生不能从事这样的工作.

有人肯定问为什么打工, 做uber和airbnb不是给自己打工么? 答案是: 不是的, 拿airbnb举例. 如果你使用过airbnb, 你会收到1042-S Form, 里面要求你attach W-2. 这个就是你和airnbn的一种雇佣关系的证明.

那么为什么上面的几个问题中, 情况1和情况2是可以的?

这个涉及到IRS对Income的三个分类:

1. Active income. 比如打工赚钱.
2. Passive income.比如, 出租自己购买的房屋所得的钱, 养老金回款.
3. Portfolio income.比如股票分红, 股票盈利, 银行存款利息.

作为持F签证的国际学生, 是可以有Passive income的. 因为Passive income不涉及非法工作(校外打工). 所以只要合法报税, 就可以. 同理, 国际学生也可以炒股.

七月26号, 社交巨头Facebook因财报不及预期, 股票大跌20%

七月27号, 社交第二巨头Twttier财报超预期, 股票大跌20%

八月3号, 社交第三把交椅Snap瑟瑟发抖中.

更新Snap绩报,见图

那么问题来了, 老大老二老三都用户下滑, 人都去哪了?

2018年2月5日, 星期一.

华尔街股市道琼斯指数周一狂跌1175点，创史上最大收盘跌幅

史称: 黑色星期一

这张图上, VIX(恐慌指数)和三大指并绿, 标志着市场的混乱. 但是, 当天由苹果领军的道指大军, 力挽狂澜, 建立市场信心.

史称: 大奇迹日

一年又一年, 又是新的一年

刚刚看了一下, 今年才写了4篇blog, 真是的懒啊..17~18 我先和爱人一起见了家长, 然后回到美国, 我在纽约的参议院工作, 然后现在又回到了Ames, 这一年真是跑来跑去的. 爱人的绿卡马上就交上去了, 不知道什么结果, 不出意外18年应该可以拿到, 然后就开始搞钱了.

今年股票和期货都不错, 市场一直很平稳上升. 没什么波澜. 今年比特币涨疯了, 不过我没有入一分钱, 我的投资理论就是不了解的不碰, 不管涨多少都不碰. 明年计划可以买辆车, 然后看看去美国哪里安家.

也正由于今年股票的效益, 湾区的房价一直攀高, 我身为一个投资人, 深知追涨杀跌乃是大忌. 而美国投资房产还要有房产税, 所以最好的投资方案应该是在一个房价偏低的城市去用高薪的工作撬动银行的杠杆. 现在亚麻在选第二总部, 现在狗家也在扩张, 得梅因已经有fb的data center, 明尼正在竞争亚麻的总部, 中部的房价一直值得关注, 希望这些大企业在这边建厂,能给我一些灵感, 让我找到一个更优的房产投资区域.

新年祝全家人身体健康. 财源滚滚.

原文地址: https://martinfowler.com/articles/richardsonMaturityModel.html#level0

这篇文章讲述了RESTful的定义和设计模型, 对于每个方法分开讲解了其特点和使用时的注意事项:

GET vs POST:

• GET 返回的是HTTP 200 OK. POST返回的是HTTP 201 Created.
• 当GET不到东西时, 应该返回HTTP 200和空的数据结构, POST的东西已经存在时, 应该返回HTTP 409 Conflict。
• 在只获取数据而不改变数据时, 应该使用GET, GET应该伴随着caching的优化.
• GET应该是一个safe operation,对应着POST是一个non-safe operation. GET对应的是read, POST对应的是write在consistency model中.

PUT vs POST:

• 这两个都是更新数据库的方法, 通常下认为PUT是update, POST是create.
• 但是和一般数据库定义的CRUD有区别, PUT更倾向于更新一个给定地址上的数据, 而POST仅仅是发布一个数据到一个link.比如:
  • 当PUT /www.chenguanghe.com/article/123 时,后台应该:
    • 找到文章id为123的文章
    • 更新文章id为123的文章
    • 返回HTTP 200 OK
  • 当POST /www.chenguanghe.com/article 时, 后台应该:
    • 创建一个文章, 比如其id为333
    • 在333下创建POST的内容.
    • 返回HTTP 201 Created

今天的google research 发布了ICML Test-of-Time Award 的一个视频介绍. 主要讲解了AlphaGo使用的算法和决策模型的建立.

使用的算法包括:

Monte-Carlo Tree Search

• AlphaGo主体策略的数据结构, 其他的算法的输入, 输出, 都体现在这个数据结构基础上.
• 每个node代表一个状态, 如果是围棋,就是当前的棋盘状态和那一方执棋, Node包含以下信息：
  • 来自于蒙特卡洛树的概率信息，比如4/5的意义是：4次取胜/5次当前状态
  • 来自于online(当前棋盘)的RAVE(rapid action value estimation)信息，用于快速进行树的探索
  • 来自于online(当前棋盘)的UCT(Upper Confident Bounder)信息，用于在subtree之间(Guess)跳转，避免local optimization.
  • 来自于offline信息，用来对于当前node进行初始化(这个非常重要, 因为棋盘足够大的时候, 如果没有初始化, 那么一切决策都来自于online的信息, 这样当前node的胜利概率在一开始的时候, 将会非常不可靠, 从而影响整个策略的选择)和再次策略验证(当online策略不确定时,需要offline的数据支持, 可以想象成一个选手对于当前棋局由于不决的时候, 他会想起以前看的棋谱中大师是怎么决策的, 从而进行下一步策略分析)
    • Reinforcement Learning: 用来训练机器对棋谱的认识, 从而记录大师的思路.
    • Convolutional Neural Network: 用来训练机器对整个棋局的认识, 从而让机器模糊的对黑白子进行图像化记忆, 这可以让机器对棋盘的布局有一个总体的分析.
• 每个edge代表一个policy的使用. policy有两种层面:
  • Tree Policy: 一种greedy policy,建立MCTS树的基本使用方法.
  • Rollout Policy: 一种随机部分的policy,用来访问MCTS树的节点的policy.
  • (其实这两种policy已经涵盖在上面的learning机制中)

视频中还提到AlphaGo是一个12层的深度神经网络，里面已经涵盖了大部分已知高手的棋谱和思路，并且能通过修改策略参数, 自动进行训练……

Consistent Hashing with Bounded Loads 这篇paper是google research发布的一篇关于解决在很大的分布式系统下Consistent Hashing存在的一些问题

比如:

1. Hashing分配不平均: 普通的Hashing存在分配不均的情况, 这会让有些服务器在突然上涨的流量下瞬间过载.
2. Cache问题: Hashing的目的是分配, 但是这种离散式的分配方式会使得前端的Cache Hit下降, 一些hot的资源在没有足够的Cache Hit下, 会很快消耗掉所有当前服务器的资源, 造成lag或者server down.
3. Hash 函数的问题: 如何选择一个对于当前资源最优的Hash方法. 特定的Hash方法会不会造成1中提到的分配不均问题?

文章的背景:

我看到的这个文章是从google talk里看到的, 里面vimeo的工程师阐述了他们遇到的一系列问题,最后提出了这个解决方案. Vimeo做的是online的视频服务, 当用户上传一个video时, 比如lady gaga上传了一个mtv, 这时服务器要分解这个video, 对每个模块做index,并使用Consistent Hashing搜索当前负载最小的服务器(least connection), 然后离散的把index放在上面, 并且put到 Index cache中, 最后把indexed video放到google cloud上.

当用户query这个视频时, 比如上文提到的lady gaga MTV, 这种很hot的资源会对cache index有极大的依赖, 但是问题出在离散分布的index, 有分配不均的情况, 这使得这种hot的资源瞬间占满了index服务器, 而这时, 一般服务器会认为是cache的问题, dump所有的cache来增加cache hit rate. 然而在这种情况下, cache不会帮助增加用户的相应速度(因为问题不在cache).

解决方案:

文章中提到的分配算法:

1. 算出当前所有server的平均load (avg load).
2. 定义一个参数 f, f的可以理解为一个服务器所能承受的压力的tension(张力), e.g. f = 25%
3. 算出threshold = avg load * f
4. 使用常见的Consistent Hashing 找到一个index服务器, 如果这个服务器当前load超过threshold, 继续找下一个
5. 直到找到下一个小于threshold load的服务器, 执行服务.