TrueBit白皮书解读

区块链扩容机制总结 比特币和以太坊作为区块链1.0和2.0的代表,但是TPS却少的可怜,比特币是7TPS,以太坊是15TPS,作为中心化的代表,淘宝在17年双十一超过了200,000TPS,可见去中心化的TPS还有很大的差距需要提升 有人说区块链生来就不是为了高TPS,去中心化就意味着TPS的降低。但是如果基于去中心化还能有高TPS,就可以有很大的想象空间,相信基于区块链的应用也会蓬勃发展   基于区块链去中心... 阅读详情

image

以太坊可以被描述为一个使用区块链的分布式全球计算机。它允许开发者把代码上传到区块链中,矿工共同执行并确保结果的正确性,作为报酬,开发者需要付出一定量的以太币,称为gas。以太坊通过全网验证的办法保证智能合约的正确执行,保证了安全性,作为代价,需要付出大量的算力,驱动这么一台巨型机器,所需gas价值不菲。

TrueBit是区块链链外扩容的方案之一,正如它的口号Fuel your imagination一样,其设计初衷是解决以太坊智能合约的gas限制。

TrueBit基本原理很简单:

用户上传自己所需执行的代码,某个外包商代为执行并赚取佣金,其它人监督代码执行的正确性,以太坊通过智能合约作为终极仲裁,奖善罚恶。造假者会获得经济惩罚,所以在绝大多数情况下,外包商会诚实的执行代码并提供正确的结果,链上节点无需完整验证,从而大大减轻了链上的计算负担,也就节省了用户的gas消耗。

流程如下:

  1. 用户(下文称为Task Giver)上传需要执行的代码(下文成为任务),并提供佣金。

2.链外第三方(下文称为Solver)发现这个任务,认为佣金可以接受,执行计算任务并答公示运算结果,同时提供一笔保证金。

3.另外的第三方验证者(下文称为Verifier)重新执行任务,如果发现Solver造假,可以发起挑战,同样需要提供一笔保证金。

4.通过链上的智能合约让Solver和Verifier玩一个验证游戏(verification game),通过Task Giver在链上提供的执行代码验证答案真伪,提供正确答案的一方获取佣金,造假的一方从保证金中支付整个验证过程所需的gas。

5.如果一段时间内没有人能提供证据证明Solver造假,Solver获得佣金。

注意在上述过程中,佣金可以设置成比正常在链上执行所需的gas少,保证金则至少设置为足以完整在链上执行该智能合约。

如果你只是想了解一下TrueBit,阅读到这里就可以结束了。

如果你想知道TrueBit真正精妙之处,现在才刚刚开始。

在这个系统中,我们仍然需要解决两个问题。

第一个问题被称为验证者困境,TrueBit设计的目标之一是要解决验证者困境问题。

我们知道,pow挖矿会对出矿的矿工给予奖励,而负责校验的矿工则没有任何收益。这在一般的交易场景下没有问题,因为校验矿工所付出的算力很有限。但是如果涉及到比较复杂的智能合约,验证矿工就面临一个两难的选择:

  • 老老实实地完整执行脚本会白白浪费宝贵的算力,在下一区块的竞争中输在了起跑线上;

  • 直接通过校验并加到链上,节省了算力,但是有站错队的可能,在后续的竞争选择了一个错误的跑道。

上述TrueBit流程里,当Solver和Verifier发生争执时,以太坊充当仲裁法庭的角色,链上需要重新执行用户提供的智能合约,此时,验证矿工同样面临上述的两难困境。

TrueBit采用的方法是计算分段,先把整个计算过程分成t段,定位出Solver和Verifier发生争议的最早一段代码,那么仲裁者只要执行这一段代码即可判别真伪,链上执行的计算可以减少为原来的1/t。

那么,接下来的问题就是怎么找到这段问题代码。TrueBit采用了分段查找的办法,我们举个栗子说明:

1.Solver选择C,把t段计算均匀分成C份,下图中我们以C=5作为例子

2.Solver把参数C和每一段计算后的图灵状态哈希后上链

3.Verifier根据C执行同样的过程,比对哈希,找到最早发生不一致的位置,比如说下图的第四段

4.递归上述流程,经过log(t)/log(C)轮协商最终定位出问题点

image

通过上述方法,可以有效的减少发生争议时的链上计算量,也就间接解决了矿工的验证者困境问题,当然它付出的代价是需要更长的时间解决争议。

第二个问题涉及到Verifier的生态设计

因为TrueBit的惩罚机制,绝大多数Solver都会提供正确的执行结果,这样会导致一个结果就是Verifier无利可图。Verifier在整个生态里是保证安全性的重要一环,如果没有人愿意充当这个角色,会破坏整个系统的安全性。

为了保证生态,TrueBit设计了一个称为累积奖金(jackpot)的机制。

基本原理就是,系统随机选择部分提案,要求Solver给出错误的答案(称为forced error),当有Verifier提出挑战时,Solver不会受到惩罚,而Verifier则会获得Jackpot作为奖励。

这个随机选择方法需要满足下面几个条件:

1.Task Giver不能在提交任务之前知道选择的结果,防止人为刷奖励

2.Solver不能在提交答案之前知道选择结果,防止Solver偷懒跳过正确答案的计算

3.Verifier不能在发起挑战前知道选择结果,防止Verifier选择性验证

TrueBit给出的答案就是通过两个因子来决定随机选择结果,一个因子是Solver选择的私密随机数,只有在被挑战时才会公示,另一个是Solver提交答案所在区块的哈希。通过后者,可以保证所有人在Solver提交答案前知道选择结果,也就是上述1、2点,通过前者,可以保证上述第3点。

整个流程如下:

1.Task Giver创建任务

2.Solver执行计算,同时提供一个正确的答案和一个错误的答案,但不展示

3.两个答案上链以后,Solver根据块哈希和手中的随机数解签两个答案中的一个

3.Verifier校验Solver提供的答案,并提出挑战

4.Solver提供手上随机数证明是系统“Forced error”

5.Verifier获得Jackpot,Solver免受惩罚

Jackpot的资金来源于任务的佣金,从所有任务的佣金中抽取一部分放到奖金池子中,称为税收,每次中奖的Verifier获取池子里部分奖金。合理设置税收和中奖比例,可以保证Verifier有利可图,从而维持生态圈健康运作。税收和中奖比例高,会增加Verifier的数量,提高系统安全性,但相应的,会损害Task Giver的积极性;反之,节省Task Giver成本的同时会降低系统整体安全,最终也是一个trade-off。

本文来源:简书

作者:元家昕

以下是我们的社区介绍,欢迎各种合作、交流、学习:)

image

[Web3] 智能合约 02: Solidity 基础语法 通过 enum 关键字定义,代码案例Big,Small,Single,Double测试代码通过关键字 struct 定义,使用一个代码案例说明结构体的基本概念和使用userInfo1.homeAddress = unicode"天津市西青区xxx";注意事项结构体是 Solidity 中用于组织和管理数据的重要工具,特别适用于复杂数据结构的描述和操作。在设计合约时,合理使用结构体可以使代码更加清晰、模块化和易于维护。 阅读详情

相关推荐

初链(Truechain )白皮书 中文版

打造承载未来商用去中心化应用的公链,是时代的需求,也是初链的梦想。 基于混合共识机制设计的初链,旨在为社会提供高速点对点通信、 价值传输以及 智能合约基础设施。

公链的最大挑战:详解以太坊第二层扩容方案

  转载请注明出处:Fanyitie.com                    对于以太坊来说,2018年是它的底层架构之年。很多早期参与者会在今年测试网络的极限,将重心放到对以太坊的扩容上。以太坊现在仍然还处在初期阶段。直到现在,它也没有那么安全或者可扩容化。对于任何与以太坊近距离工作的人来说,这都是很好理解的。但是就在去年,ICO的推动目前已经开始对以太坊目前的网络造成了很大的压力。以太坊...

willwang84的博客 1742

sram设计流程+memory compiler整理

→。

qq_50761108的博客 1万+

简析区块链链下扩容:状态通道、TrueBit、Plasma

我们正处于区块链 2.0 转化的时代,目标是大规模的商用。传统的区块链技术,如比特币和以太坊,在性能上面已经显得力不从心,本文就来聊一聊区块链链下扩容技术。 比特币和以太坊有多快? 作为史上最慢的分布式数据库,比特币和以太坊的 TPS(每秒交易数)离商用有多远呢?有图为证: 说好的区块链 TPS,怎么只画了 VISA 和支付宝呢?不是我没画,只是比特币的 7 笔交易,以太坊的十来笔交...

跨链技术践行者 1万+

学术版GPT安装教程——保姆版(附带原生GPT注册教程)

学术版GPT图文安装教程

DBenD的博客 2万+

Huber损失函数中的阈值δ是如何确定的?

Huber损失函数通过阈值δ将误差划分为两部分:当误差小于等于δ时,采用平方损失(MSE),以保持对小误差的敏感性;当误差大于δ时,采用线性损失(MAE),以降低异常值对模型的影响。

百态·数智思维 | 聚焦大数据、量化与未来AI 1932

浅谈位掩码(BitMask)的运用

浅谈位掩码(BitMask)的运用 最近移植别人的代码,发现别人老是会用到掩码,着实看不懂,后来稍微学习了一下,现在有所心得,整理一下,大家共勉。 讲位掩码原理之前,先谈一谈我遇到位掩码的情况。我移植的是嵌入式程序(STM32程序),里面使用一个8位变量,来控制多个状态。比如: 他使用了一个8位量"LIMIT_MASK",去控制3个状态位:X、Y、Z三轴的限制为状态。这样就不必使用三个八位变量去...

weixin_42856903的博客 9098

你不必懂AI,但必须会用AI:写给所有焦虑中的职场人

AI时代不必焦虑学技术,关键在于用AI解决实际问题。文章指出,99%的人只需成为AI使用者而非建造者,核心竞争力在于结合业务痛点运用AI工具提升效率。与其盲目学习工具,不如梳理工作流程,识别可优化环节,让AI赋能重复性、标准化任务。行业经验与AI工具的结合才是真正的职场护城河。建议从具体工作场景出发,寻找匹配的AI解决方案,迈出应用第一步。

hundred98的博客 723

深度解读:《数字孪生世界白皮书(2023)》全方位剖析

在数字孪生应用的建设阶段,地理信息数据是数字孪生应用的输入,能够通过各种传感器和设备进行收集和传送,并通过云计算和大数据技术处理和存储,为数字孪生应用提供多方面、多层次、多来源的数据,并通过机器学习和算法进行智能分析。宁海元、赵倩、李强、陈昭龙、沈鲁栋、陈威辰、张宏韬、韩帅、谢传金、黄佳河、高艺、孟详钧、万里翔、周雁、马雨洁、刘永贵、李耀辉、朱佳灵、相里佳豪、王小飞、王永威、黄志新、牟叶勇、屈秀鹏、刘博宇、沈志平、阙祖栋、张厚田、杜佳丽、包兴涵、薛佳昱等。数据从业务中产生,在数据应用中承载。

amumuum的博客 1456

从零到一:手把手部署用友T3标准版11.2及SQL Server 2008R2环境

本文详细介绍了从零开始部署用友T3标准版11.2及SQL Server 2008R2环境的完整流程,包括环境准备、SQL Server安装、环境检测与修复、T3标准版安装实战以及初始化配置与测试。通过手把手的步骤指导和常见问题解决方案,帮助用户顺利完成部署,确保系统稳定运行。

weixin_28339967的博客 461

从轴承润滑到代码实现:手把手教你用Python FDM求解稳态雷诺方程

本文详细介绍了如何用Python FDM(有限差分法)求解稳态雷诺方程,从轴承润滑理论到代码实现的全过程。通过构建无量纲方程、有限差分格式和迭代求解算法,开发者可以快速实现专业级润滑分析,应用于涡轮发电机、汽车曲轴等场景。文章还提供了完整的Python代码示例和结果可视化方法,帮助工程师优化轴承设计。

weixin_28689507的博客 122

【译】An Intro to TrueBit: A Scalable, Decentralized Computational Court.

或者:“Panopticomputers简介:可扩展,分散计算的代码执行法庭”。以太坊社区永远不会令我惊叹。 很多聪明人在可能的边缘工作。 我们并没有真正地抓住当前迭代中可能出现的情况,我们已经看到令人惊异的新机遇。对于未开化的,以太坊可以被描述为使用区块链技术的分布式“世界计算机”。 它允许开发人员将代码上传到区块链,在启动时它会执行代码以更改共享分类帐上的某些信息。 换句话说,您可以将任意复杂...

omnispace的博客 549

《MySQL 入门教程》第 03 篇 管理数据库

本篇主要介绍 MySQL 数据库的创建、查看、选择和删除操作,包括使用 mysql 命令行和 MySQL Workbench 图形工具两种方式。

Tony.Dong的专栏 3525

智能合约到底是什么?

所以那次争论中,也有人建议叫做 “stored procedures”,就是数据库的存储过程。如果把区块链看做一个分布式数据库的话,从技术实现上来看,智能合约确实很像数据库存储过程。使用一种新的编程语言也不是更本区别,如果使用更通用的 VM,可以和其他的程序使用完全一样的编程语言。另外大家常说的确定性(deterministic),实际上也是图灵机本身具备的特性,只要不引入随机机制,也很难写出不 deterministic 的程序。那为什么新造出个词汇呢?套用一句俗话,我们在谈论『智能合约』的时候,到底指的

qq_40713201的博客 1147

【异常】Cursor 模型服务地域访问限制报错的完整排查与解决方案This model provider doesn‘t serve your region

其本质是:Cursor客户端依赖的上游大语言模型服务提供商,基于自身服务的合规运营范围,对客户端发起的请求进行了来源地域权限校验;当系统检测到请求的网络来源地域,不在该模型服务商官方授权提供服务的地域范围内时,会触发服务访问拦截策略,拒绝响应本次模型调用请求,最终在客户端抛出该报错。合规声明:本文所提供的所有方案,均仅用于技术问题排查与解决,请您在使用过程中严格遵守当地法律法规,以及对应软件与模型服务提供商的用户协议与合规要求。更多关于AI+教育领域的干货,可以关注我的微信公众号一时间获取哦~

奶爸的编程之路,也就一周冷个三天 1136

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

链上链下协同计算

区块“链”的链,包含“数据链”和“节点链”。数据链指用链式结构组织区块数据,构成数据校验和追溯的链条;“节点链”指多个节点通过网络连接在一起,互相共享信息,其中的共识节点则联合执行共识算法,产生并确认区块。交易“上链”的简要过程如下:1、记账者们收录交易,按链式数据结构打包成“区块”。2、共识算法驱动大家验证新区块里的交易,确保计算出一致的结果。3、数据被广播到所有节点,稳妥存储下来,每个节点都会存储一个完整的数据副本。交易一旦“上链”,则意味着得到完整执行,达成了“分布式事务性”。简单地说,就像一段话经过

qq_40713201的博客 6028

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

高可用分布式存储架构设计及其应用

节点间维持秒级心跳,同时引入Phi accrual failure detector:当某节点心跳间隔的分布偏离历史基线超过阈值时,判定为“疑似故障”,提前触发副本状态检查,而非被动等待固定超时。同城双AZ部署,指令通道的Raft副本组跨AZ分布,AZ间RTT控制在1.5 ms以内,确保多数派写入的延迟增量可接受。这一取舍的直接后果是:同城单AZ故障时,指令通道经历约2—5 s的写入暂停,遥测通道保持可用但可能出现秒级的数据空洞,由车端缓冲补齐。,使异地副本常态化接近同步状态,压缩故障切换时的数据差距。

jcgu的专栏 185

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

期货保证金占用变多,怎样找出哪张合约增得最多?

盘中看了两次期货账户,第二次发现保证金占用多了。眼下占用最大的合约很显眼,但它不一定是这段时间增得最多的。如果复盘想知道“先查哪张”,要按前后差额排,不是按第二次的金额排。

weixin_49134609的博客 227

CAGR7.5%!小众高端科研仪器:平面双轴拉伸试验系统市场稳步扩容

平面双轴拉伸试验系统是一个典型的 “小而美” 高端科研仪器赛道,市场总量不大,但增速 7.5%、毛利空间可观,需求来自新材料前沿研发,而非常规质检。行业增长主线集中在生物软组织、柔性电子、航空复合材料这几个方向,直线电机低载荷机型、四执行器中心保持方案、DIC 一体化系统是产品升级重点。国内厂商的机会在于国产化替代和本地化技术服务,但必须攻克多轴同步控制、试样对中、配套试验方法论这些核心难点,不能只做简单机械装配。

2603_95348957的博客 149

区块链从小白到精通(十):合约安全与上线——重入攻击、Gas 优化与最佳实践

本文为「区块链从小白到精通」系列收官之作,深度解析智能合约安全核心——重入攻击原理与修复(Checks-Effects-Interactions模式、重入锁、优先使用transfer),并梳理整数溢出、tx.origin钓鱼、权限中心化等高频漏洞。结合Gas优化技巧(变量打包、calldata使用、自定义error)与上线前检查清单,强调“代码即法律”的严谨性,助开发者写出可部署、可审计、可信任的合约。

z1107006615的专栏 325

FPGA 与加密行业:从算法加速到可信硬件的完整技术图谱

本文系统探讨FPGA与密码学的深度交叉,揭示其在加密加速、区块链基础设施、零知识证明及后量子密码中的关键作用。从底层硬件特性到工程实践,分析对称加密、公钥算法、零知识证明等负载的FPGA加速优势,强调其高能效、低延迟与灵活可重构的特性。结合当前密码学复杂度上升与硬件竞争加剧的趋势,指出FPGA是算法验证与高性能实现的理想载体,为安全计算提供高效硬件支撑。

weixin_49780322的博客 266

想调用证券公司 API 做股票数据分析,Python 应该如何接入行情?

想通过证券公司 API 做股票数据分析,首先需要区分交易接口和行情接口:交易接口负责委托、撤单和账户查询,行情接口负责提供股票价格、成交量等市场数据。对于历史行情研究,真正影响结果可靠性的,不只是能否拿到收盘价,还包括复权方式、交易日期排序、字段类型以及数据完整性。如果只需要历史行情、技术指标和基础选股研究,可以先使用合适的行情数据 API。A:取决于分析目的。A:可以作为研究程序的基础,但还需要补充数据时效性检查、交易日历管理、指标有效性验证、策略回测和风险控制,不能仅凭一个均线条件直接进行实盘决策。

2601_96694965的博客 205

期货分钟线中间少了一段,怎么查是不是休市?

复盘一份已经保存的期货分钟线,10:14 后直接跳到 10:30,另一处却是 10:42 后跳到 10:44。屏幕上两处都没连起来,处理起来并不一样:如果当天确实在第一段休息,不用补;如果 10:43 落在交易时段里,则要回查原始记录和样本覆盖。

lisiccwss的博客 163
上一篇: 根据例子学习Solidity-Solidity官方文档(3)
下一篇: 以太坊源码分析-同步之Syncing接口
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值