【众说区块链】学习区块链看理论难落地，想实践缺环境，怎么办？

HiBlock区块链社区 HiBlock区块链社区 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 476平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-11-13 00:30:00 发布 476 阅读 AI 写同款· GEO 优化 ›
[Web3] 基础第4篇: 区块链的组织结构 适用于大规模数据过滤（如 区块链、数据库、搜索引擎）低存储需求、高速查询的场景需要注意不能删除数据（标准版本） → 计数布隆过滤器解决存在误判（False Positive） → 适用于 非精确查询布隆过滤器以 高效存储和快速查询 在 区块链、分布式存储和大数据处理 领域有广泛应用。 阅读详情

image

第一期【众说区块链】我们聊了对“区块链”这一火热技术的两种态度：All in & 嘲笑。有人将区块链比作围城，城内的人笑城外的人目光短浅，城外的人笑城内的人盲目疯狂。到底“区块链”是机遇还是泡沫，HiBlock区块链社区的人展开了讨论。

周六晚9点，第二期【众说区块链】如期而至，这次社区成员围绕“开发人员如何学习区块链技术”分享自己的学习心得，且听听看，大家都是怎么入门区块链的。

主题：开发人员如何学习区块链技术

时间：5月5月（周六）晚9点-10点

特约嘉宾：Bob

讨论实录

@Cynthia：大家好，周六晚9点，HiBlock区块链社区特别栏目《众说区块链》准时和大家见面啦，我是主持人Cynthia，非常感谢大家对社区的支持。

《众说区块链》由HiBlock区块链社区发起，每周六晚9点，在社群内组织一个区块链相关主题的讨论，在讨论过程中加深社区成员对区块链的理解。

本期《众说区块链》讨论的主题是“开发人员如何学习区块链技术”，大家可以围绕这个主题分享自己入门区块链的经验和路径，以及踩过的坑~

接下来欢迎本期特约嘉宾Bob，带领大家一起聊聊“学习区块链的那些事儿”~

@Bob：大家可以先说说看自己都是如何学习新东西的？

@康熙：先查经典书籍，买书看

@孔：买书，网上查找

@何强：一边干一边学

@康熙 ：边干边学是没问题，但是很多时候是没有这样的机会的。比如区块链，只能自己学，从何处着手开始干?

@何强：纸上得来终觉浅。其实现在自我学习的门槛已经很低很低了。有了google，有了youtube，基本知识本身已经没障碍了。

@知行合一：有没有入门级的好资料？尤其实践指导的。

@孔：最好是大家一起学，边交流边学习边实践。

@朱琨：我感觉关键是欲望，理论容易，实操困难，特别对于中年油腻男，坚持不懈，太不容易了

@Bob：学习，是有方法的，很著名的比如费曼学习法。

“我很早就学会了知道名字和知道某事之间的区别”

——理查德 费曼

学习不是要记住某事，而是需要理解并能将其融入到自己的知识体系中。

这是我之前写过的一点关于费曼学习法： https://bobjiang.com/how-to-learn-quickly

费曼学习法，简单说，就是 以教为学，也就是我们经常听到的，以终为始。而且教的过程中，可以发现自己哪里不懂，不明白。可以更深入去学习。设定个教的目标，自己就会跳进去了。

大家一边交流一边学习，一边实践，也是好方法。

@何强：我感觉在学新技术的过程中，一个物物翻译的能力是很有帮助的。举个例子来说，就像我们出国了，看到一个很奇特的水果，没见过，也不知道怎么吃。但是如果别人告诉你，这就是国内的无花果。这样是非常容易理解的。

@厦门~~~：作为一名在校学生，学习区块链的思路也是从相关概念着手，看了区块链技术指南，《区块链原理、设计与应用》等书，然后重点学习了一下以太坊的链的搭建，智能合约编写等知识，走着走着发现涉及到js,nodejs,go语言等知识，又开始补习。现在感到迷茫的是，老师这边缺少项目，自己学习的总感觉缺乏实践，不能有所发展，老师前辈们给点建议呗。

@Bob：下面说一下我学习区块链的经历，我先抛砖，希望能引出大家的玉。

第一阶段，懵懂期

只知道区块链这个名词，开始看大量的书：

  • 1. 《精通比特币》

  • 2. 《比特币白皮书》

  • 3. 《以太坊白皮书》

更多书籍参考： http://mp.weixin.qq.com/s/GLvy3qjNzIW2J54yZKgcaQ

部分学习资源收集： https://github.com/HiBlock/hiblock/blob/master/learning-materials.md

第一阶段，大概持续了1-2月，因为自己确实也没想明白要干啥，能干啥

后来，明确了目标，先学习以太坊（逻辑是，目前主网稳定运行，生态最完善，大家可以去看看以太坊的节点分布以及DAPP的数量。）

不管是从学习技术，底层公链，还是开发应用，以太坊都有很好的学习和参考价值。

对于技术，可以去了解一下EOS，但应用，真的还没有必要开始。（主网还没上呢）分享的都是我的个人经验哈。大家可以说说自己的理解。

@Bob：刚才说的是第一个阶段，下面说第二阶段，动手。

我的第二个阶段，动手，既然确定了以太坊那就动手把。

我的动手学习笔记：https://github.com/etherchina/ethereum

这个动手笔记里面的啊，大家可以这么来看，里面会有一些理论的介绍，也会有真正动手去搭建环境，写代码的过程。

理论的介绍呢，我会去写一些文章，然后回头把他们录成视频：http://edu.51cto.com/course/13419.html?source=so  我录制的理论课程，里面有错误的地方。还没有想好怎么更正。

image

这是以太坊课程的大纲。

@胡建：其实，说半天，要掌握和深入了解，还得实做。参与和体验，才能有感悟。跟吃饭一样的道理，跟年龄没有关系

@Bob：必须的呀，不做还是漂着呢。不过学习这个事情，不分年龄。

@赵晓楠：直接实战做项目就行了，比什么都来的实在和速度

@Bob：实战是最好的。后面有实战的项目

image

下一步我先做好以太坊实战课程，实际动手的课程，理论只是指导我们的动手，不要陷入进去了。

对于以太坊实战课程，大家有想法，或者能够提供实例（例子）也欢迎聊。

我现在基本处在第二阶段中，正在努力向第三阶段走。

第三阶段，产品应用，也就是大家说的边做边学。

上面的做，还是动手理解里面的细节，真正的动手，还是需要实战（产品开发）

@Cynthia：你是怎么学习区块链的呢？比如是从哪一本书开始看起…从哪一篇论文开始看起…从哪一段代码开始写起…

@何强：说说我的吧。 工作了，学习不能像学校那样按部就班从低到高慢慢学习，虽然学习效果很好，但是成本太高。 所以我是倒着来，先看应用。比如马士基准备用区块链改造他们的船运系统，我先想办法去尽可能多了解他们现在遇到什么问题了

当然，这个需要有一个能力能理解某个特定行业的问题和她的一些背景知识。

知道问题之后，我再去了解为什么区块链的什么部分能解决它的这个问题

然后带着这个疑惑，再去深入了解背后的原理。这样一层一层深入下去，你去了解这个知识的目的性要强的多.

这样做下去，去做垂直领域也可以，可以把知识点一直深入到最底层。

去做T型领域也可以，你可以顺着这个思路，去延展开来看周边，比如IBM这样的大巨头，是如何快速去拥抱这种变化的。

@Cynthia：这也是一种方法，以终为始，先看应用，然后“溯源”，看是怎么实现的，在其中用到了哪些技术，从而学习。

@robin：我做过不到一年联盟链（顾问），炒过币，公链靠读代码自学。现在在做交易所和公链,我觉得现在三个月不学习就会跟不上发展了

@孔：我的工作与区块链关系不大，先买一本书看科普知识，后来加入有关群、小蜜圈等等，看视频，看外文材料，还有炒币，了解各种币是为什么解决问题而产告的，目前还没有深入，只能算个门外汉

现在想搭建开发环境，试着去编程。业余时间做，总感觉时间不够

@何强：搭环境看这个就行了。https://github.com/etherchina/ethereum/blob/develop/setup-a-private-ethereum-blockchain.md

@Bob：开发环境，如果不想搭建，就用 remix.ethereum.org

@何强：我自己理解区块链的技术本身只是一个基本服务，将来发挥威力还是要和行业融合。技术是基础的底子…底子打的越好，将来盖楼才能盖的更高

@Bob：我补充几点学习的技巧哈：

1 会翻墙

2 读懂英语材料

3 会用google.com

4 上github多看看

@Cynthia：看来大家都有很多回忆，当初接触区块链时的迷茫，入门后的成就感，都是学习一门新技术过程中的感悟和心得，希望还在摸索的同学能从“前辈”们的经验中得到启发和借鉴，也希望“前辈”们继续探索，多多分享，指指路，希望同一个坑不要掉进去俩人~~

你在学习区块链技术的过程中有什么学习心得呢？可以写在文末留言区和大家分享哦~

下期主题未定，特约嘉宾未定，欢迎(加主持人微信：EF0815）自荐或推荐哦~image

点击“阅读原文”加入HiBlock区块链技术布道，共同学习

本文内容来源于：HiBlock区块链社区微信群讨论

【众说区块链】是HiBlock区块链社区组织的微信群讨论活动，每周六晚9点准时开始，围绕一个主题进行讨论，有兴趣的小伙伴加小助手：baobaotalk_com入群吧~

合作社区：

image

image

点击“阅读原文”加入HiBlock区块链技术布道，共同学习

收录于
区块链

当前文章被收录于：

区块链
278 篇文章 16 人学习
订阅专栏 查看详情
技术之路

当前文章被收录于：

技术之路
268 篇文章 7 人学习
订阅专栏 查看详情
标签
#区块链 #区块链技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
[Web3] 基础第7篇: 说透比特币的基本框架与原理 08 年的金融危机，中心金融，美元崩塌会导致全球经济崩溃，全球的国家为美国的经济买单；比特币全球流通性，资产去中心化发行，强调去中心化性和全球性，不会因为局部经济崩塌而崩溃，比特币崩溃全球经济才会崩溃；数字来取代传统金融，提高资产主权和全球性经济问题。比特币是第一个区块项目，也是目前为止去中心化程度最高，市值，受欢迎程度最高公链和数字货币，甚至已经成为全球各国央行的储备货币。Bitcoin 具备银行功能：产币的方式传统银行是中心化的，比特币产币是去中心化的，人人都可以参与的。 阅读详情

相关推荐

逆向实战：拼多多anti-content加密参数的全链路解析与动态对抗策略

本文深入解析了拼多多anti-content加密参数的全链路生成逻辑与动态对抗策略。通过逆向工程实战，详细拆解了包含设备指纹、用户行为采集和动态密钥生成在内的12个关键环节，并提供了可持续对抗的精准模拟方案和自动化更新机制，帮助开发者有效应对拼多多的反爬体系。

weixin_30687051的博客 161

深入理解 Leaf-Spine：从网络拓扑到 AI 数据中心 Fabric

传统数据中心网络以树形三层架构为主，但随着东西向流量激增，其层级多、路径长、扩展难等问题凸显。为此，Leaf-Spine叶脊架构应运而生，通过全互联的扁平化设计，实现多路径转发、高带宽、低时延与灵活横向扩展。结合ECMP负载分担、Underlay/Overlay分离架构及VXLAN/EVPN技术，该架构有效支撑云计算、AI训练等高密度内部通信需求。其核心价值在于：网络设计需匹配业务流量模型，强调可预测性、可靠性与可扩展性。未来，叶脊架构将持续演进，成为高性能数据中心的基石。

一名热爱技术、专注实践的工程师，拥有一项实用新型专利及一项软件著作权。曾获国家级奖项7项、省级奖项30余项。专注网络技术与 AI Infra 领域，持续探索技术创新与工程实践，记录学习成长，分享技术经验，在探索中突破，在实践中精进。 293

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 175

遥感目标检测数据集汇总

文章目录1. 光学数据集1.1 DIOR1.2 LEVIR1.3 DOTA1.4 RSOD1.5 NWPU VHR-101.6 VEDAI1.7 COWC1.8 ITCVD1.9 DIUx xView 20181.10 HRSC20161.11 TAS1.12 SZTAKI‐INRIA1.13 UCAS AOD1.14 DLR 3K Vehicle2. SAR2.1 SSDD2.2 SSDD+2....

quanwei的博客 6万+

FreeRTOS笔记（十五）FreeRTOS总结

文章目录01 - 裸机和FreeRTOS区别1.1 - 裸机1.2 - FreeRTOS1.3 - 区别02 - 对FreeRTOS的感受03 - 推荐 上一文链接：FreeRTOS笔记（十四）[简] 软件定时器、事件组、任务通知 01 - 裸机和FreeRTOS区别   学完FreeRTOS，应该要自己总结一下FreeRTOS和裸机的区别，宏观上说，FreeRTOS是一个运行在裸机上的微内核，...

单眼皮根号三的博客 4115

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 218

Python爬虫实战：基于最新技术栈的政府招标采购数据抓取与分析

对于企业、研究人员和数据分析师来说，能够高效地获取这些数据意味着可以获得宝贵的商业洞察和市场先机。随着反爬技术的不断升级和网站结构的日益复杂，传统的爬虫方法已经难以满足需求。我们将采用Selenium、Playwright等现代浏览器自动化工具，结合Scrapy框架和异步请求库，构建一个能够应对各种反爬措施的强大爬虫系统。Playwright是微软开发的浏览器自动化工具，支持Chromium、WebKit和Firefox，比Selenium更快速、更稳定。

2201_76125261的博客 1312

空圈容错・优快云 站点技术架构信任链诊断

本文为基于公开故障现象的黑箱架构推演报告，聚焦“监控健康但用户访问异常”共性问题。提出C/M/V/P四层可达性分析框架，强调V层需满足数据源、方法、环境三异才具仲裁能力。通过R1–R10探针识别架构风险，揭示同源校验、配置共担、降级粗放等隐患。诊断指出：进程存活≠链路通畅，200状态码≠内容正确。配套8问自测清单与∅_safe分级降级方案，推动从“全好/全崩”到“半坏可控”的可观测跃迁。所有推断假说需依赖图谱与压测验证，不构成线上定论。

Liaiyang66的博客 387

FFMPEG音频开发: Linux下采集摄像头(使用V4L2框架)数据录制成MP4视频保存到本地

一、环境介绍 操作系统介绍：ubuntu 18.04 FFMPEG版本: 4.4.2 摄像头: USB摄像头、虚拟机挂载本机自带摄像头 二、FFMPEG与X264下载编译 X264下载地址: http://www.videolan.org/developers/x264.html FFMPEG下载地址:https://ffmpeg.org/download.html Yasm ...

8873

ROS & ROS2 机器人深度相机激光雷达多传感器标定工具箱

不过，多传感器标定工具箱允许通过编辑 yaml 文件来调整标定目标的参数： <repository>/mutlisensor_calibration/cfg/TargetWithCirclesAndAruco.yaml%YAML:1.0rows: 4cols: 1dt: irows: 4cols: 2dt: frows: 1cols: 12dt: fCAD 模型网格/云通过 GICP 将模型数据与分割点云对齐，用于优化检测到的目标姿态。

2506_90492529的博客 2109

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 255

Windows 11 安装 OpenClaw（龙虾）：不用WSL、不用虚拟机、启动、使用、停止、卸载

本文详解 Windows 11 原生安装 OpenClaw（龙虾）全流程，无需 WSL 或虚拟机。涵盖环境配置、安全警示、模型接入（如通义千问）及技能初始化。提供启动、文件自动化操作、停止与卸载的完整指南，并附常见认证过期解决方案。助您快速部署本地 AI 智能体，实现电脑操作自动化，提升工作效率。

寒水馨 · 轻量级技术文档 · hanshuixin.org 901

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 195

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

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")

[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。

OxYGC 459

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

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 152

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

[Web3] 智能合约 01: Solidity 开发入门与 Remix/Hardhat/Foundry

Solidity 是一种面向智能合约的高级语言，在 EVM 上开发，部署，运行，Solidity 编程语言是 Ethereum 团队开发，创建和管理的，主要是为了简化 EVM 上的智能合约的创建和管理。Solidity 编程语言有以下特点：面向合约编程：专为智能合约设计，这些合约都是运行在以太坊虚拟机（EVM ）上，并且在 EVM 执行和管理链上的交易和协议静态类型：是静态类型语言，变量类型在编译时确定，提供了更严密的类型检查和更高的代码安全性。

OxYGC 348

国内哪些平台提供比较全的金融数据接口？Python 量化开发如何选型？

国内金融数据接口众多，选型需结合量化需求，避免仅凭名气选择。以QuantDash为例，通过SDK获取前复权日K线后，必须严格校验日期排序、价格有效性及字段完整性，再进行动量计算。关键在于：数据质量决定分析可靠性，接口能力≠实际可用性，需建立数据验证流程，确保研究结果可信。

quantdash_cc的博客 255

去哪里下载股票历史 K 线数据？Python 获取日线行情与本地保存实践

通过QuantDash SDK获取600519.SH历史日K线数据，结合pandas完成字段验证、价格逻辑检查与异常处理，确保数据完整性与一致性后，将清洗后的行情数据保存为CSV文件，并附带元信息（如复权方式、下载时间等），实现可复现、可追溯的量化数据管理。

2601_96694965的博客 241

期货委托对账，该看程序里的委托号还是交易所单号？

程序留存的期货委托号是SDK-A17，回单上却写着000542。两串号码不一样，未必是两笔委托。反过来，两张回单上都有000542，也不能只凭这个就合成一笔。对账前先分清：是要在程序里找回原单，还是要证明外部回单指向这张单？

shinnyringo的博客 159

期货期权想对照看涨和看跌，怎样挑出能配成一对的合约？

想把看涨和看跌放在一起观察，同一个行权价往往能搜出好几条。最容易认错的是标的和行权价都对，只差了到期批次的一条。两边简称看着很像，放进同一行以后，价格差却混进了不同到期条件，已经不是原来想看的那一对。

zhangnihi的博客 81

期货期权复盘，标的那张K线该怎么找？

复盘一张以前观察过的期货期权，自选里可能同时有同品种的近月、远月和主连。哪张走势最热闹，并不决定它是不是这张期权的标的。要解释那段期权记录，先找到它对应的具体期货合约，再找那张合约的图。

zhangnihi的博客 140

期货自选表更新后，怎样核对哪张合约的规格记录变了？

期货自选表刷新以后，行顺序可能换了，手头的旧档也未必覆盖今天要核的每张合约。按行号比，容易把两张不同合约的步距和乘数放在一起。

shinnyringo的博客 165

股票市场全景评测与实战分析

经过对全天数据的层层剥茧，我们对后市的走向有了更清晰的预判。如果今日盘面显示资金流向健康、热点板块有持续性、且关键技术位得到支撑，那么后市大概率将延续震荡向上的趋势，操作上可适度积极，重点关注那些刚启动且有业绩支撑的细分龙头。反之，若今日呈现出放量滞涨、主力大幅流出、且技术形态出现背离，则需对后市保持谨慎，防范回调风险。此时的操作建议应以防守为主，控制仓位，避免盲目加仓，耐心等待市场企稳信号的出现。投资是一场长跑，单日行情的波动只是长河中的一朵浪花。

shhzcj的博客 93

期货期权快到期，行权提醒该记哪个日期？

手上有一张期货期权，要把最后行权日记进提醒清单。自选里可能同时有这张期权和它的标的期货，两边都看得到到期信息。最容易记错的不是日期格式，而是把别的合约的日期抄进这一行，或者把行情里的日期当成柜台最后受理的时间。

zhangnihi的博客 183
上一篇： 区块链技术在各行业的应用解决方案
下一篇： 区块链100讲：总被提起的拜占庭问题到底是什么鬼？
点赞 0
评论 0
书签 书签 0
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
 
表情包 插入表情
表情包 代码片
 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