Dani Rodríguez picture.

I'm Dani Rodríguez, but I'm usually known online as danirod.

I’m a creative software engineer living in Madrid, Spain, specialized in web development, who likes to play with web frameworks like Ruby on Rails, Django or WordPress. Online, I'm also known for being the founder and video producer at makigas.

This is my site, currently hosting my blog articles and linklog bookmarks. You may reach me via e-mail or XMPP (Jabber). You can also find me on Twitter, LinkedIn, GitHub, or through any of my social media profiles and online accounts.

Recent stuff

    Con el comando git merge-base puedes obtener el hash del commit más reciente que es común a las ramas que le digas. Esto viene bien si brancheas una rama upstream (pongamos master o develop) y luego quieres ver en qué commit hiciste el git checkout (por ejemplo, como parte de un rebase que estés haciendo). Esto es válido incluso cuando ha habido commits en la rama upstream después de que creaste la rama (que suele ser el caso).

    Pongamos un repo en el siguiente estado:

    A --- B --- C      master
           \
            \-- D      feature/x
    

    Entonces se cumple que:

    git merge-base master feature/x
    [hash del commit B]
    
    Duration
    59:04 min
    Distance
    10.04 km
    Calories
    720 kcal
    Pace
    05:53 min/km

    Nada satisfecho.

    Duration
    58:20 min
    Distance
    10.02 km
    Calories
    714 kcal
    Pace
    05:49 min/km

    Hoy hacía mejor día que otros días. Lo voy a flipar cuando llegue la época de lluvias.

    Duration
    57:23 min
    Distance
    10.03 km
    Calories
    677 kcal
    Pace
    05:43 min/km

    Una explicación simplificada del algoritmo Wavelength Collapse

    Hace un tiempo encontré destacado en GitHub un repositorio con una implementación muy trabajada del algoritmo Wavelength Collapse, enseñando mediante vistosas imágenes cómo el algoritmo en el que se basa el programa compartido en el repositorio es capaz de transformar una pequeña imagen en una imagen procedural más grande, lo cual es de utilidad para fabricar mapas y otro tipo de imágenes.

    Imagen generada de manera procedural
    Ejemplo de uso del algoritmo generando un tablero más grande a partir de una imagen de entrada. (Fuente)

    El repositorio contiene un README bastante exhaustivo donde detalla el funcionamiento del algoritmo, pero si buscas una aproximación más sencilla que te ayude a entenderlo, hace poco Robert compartió en su blog una aproximación al algoritmo utilizando ejemplos de andar por casa.

    Imagine that you are planning your wedding. […] You need to design the seating plan for dinner. Your family can be very argumentative and volatile, so this will be difficult. Your dad can’t sit within 2 tables of your mum. Your cousin will get grumpy and lonely if she doesn’t sit with your other cousin. And it’s probably for the best if Uncle Roy doesn’t sit with the environmentalist wing of your partner’s family. – §

    El algoritmo realmente no es complicado. Se trata de asociar a cada una de las posiciones del espacio disponible (como los píxeles de una imagen) el candidato que mejor se ajuste teniendo en cuenta una serie de restricciones. Esta entrada de blog explica fácilmente en qué consisten esas restricciones y cómo se pueden computar para una imagen, y muestra un ejemplo práctico de uso.

    Duration
    55:12 min
    Distance
    10.02 km
    Calories
    702 kcal
    Pace
    05:31 min/km

    Hoy he empezado a correr por un parque que hay cerca de mi casa y que me permite correr apartado de coches y de lugares peligrosos (aceras, esquinas), en un entorno iluminado, y que es lo suficientemente largo como para permitirme hacer sesiones de 10 kilómetros incluso cuando ya es de noche. Parques así no hay donde vivía antes (si acaso plazas y da gracias), así que este privilegio es nuevo. Y es revolucionario porque significa que probablemente levantarme 50 minutos antes por las mañanas para salir a entrenar 5 kilómetros probablemente tenga los días contados, así que dejaré de mejorar mi salud haciendo deporte a costa de destrozarla dormiendo menos. ¿No es estupendo?

    Duration
    55:04 min
    Distance
    10.01 km
    Calories
    673 kcal
    Pace
    05:30 min/km

    Sí, este año he sido de los flipados que salen el primero de enero a hacer ejercicio, pero porque me lo he podido permitir ya que por cuestiones, este año no salí a ninguna parte la noche anterior. Esto tiene pinta de ir años pares y años impares.

    Un selfie hecho delante de un tunel.

    Dani vuelve a correr por el túnel por Navidad.

    Una imagen del monitor de ordenador junto a una fiambrera con comida.

    Martes. Planaso ahí.

    If you’re working on a Git repository and your team makes exhaustive use of branches, every time you run git fetch, Git will download new commits on those remote branches, even if you don’t plan on having local branches tracking their remote pair. Once those branches are removed by your teammates in your remote repositories, git fetch won’t download new commits for those branches, but it won’t notify you that the branch has been removed either.

    If you want to remove remote branches in your local repository that have been already removed from the remote repository, you can run git fetch --prune. This will download new commits from existing or new branches, but also if a branch has been removed from the remote repository, you’ll have that branch removed from your local copy as well.

    If you don’t want to forget about prune, you can also configure your Git repository to automatically prune removed branches by running git config remote.origin.prune true. Replace origin with the name of the remote repository you have the setting to have effect on. Every time you run git fetch on that remote, deleted branches will get removed too.

More posts in the archives »