区块链100讲:区块链的灵魂——共识算法

一文带你了解区块链中15种共识算法 是计算机科学中的一个概念,指的是即使系统的某些组件出现故障或出现恶意行为,系统仍能正确运行并达成共识的能力。在区块链技术背景下,拜占庭容错是一种共识算法,即使在面临恶意攻击或系统故障的情况下,也能使分布式网络中的节点就交易的有效性达成一致,并保持区块链的完整性。在 LPoS 网络中,代币持有者将他们的代币出租给验证者,验证者使用这些代币来增加他们的股份并提高他们被选中来验证交易和向链中添加新区块的机会。在 dBFT 中,共识是通过投票过程达成的,网络中的每个节点都可以对交易的有效性进行投票。 阅读详情

image

在解释拜占庭将军问题的时候提到“共识机制”,本期《区块链100讲》我们来说说被称为区块链灵魂的“共识算法”。

1

共识机制

共识机制,在百度百科上的解释是这样的:

image

看上去是不是一头雾水?那么我这里就给大家一个比较能通俗易懂的解释:所谓的共识机制,就好比大家在开一次“会议”,最后达成一个一致,但是达成一致的途径有很多种,这也就是后续区块链的主链有各种各样的共识机制。那么这次“会议”都达成什么共识了呢?比如说有人做好事了,大家都知道了;有人做坏事了,大家也都知道。所以这就是共识机制的最大的好处,就是解决了彼此不认识的人的互相不信任的问题;同时,在这个“会议”里谁不管谁做了什么,大家都是知道的。

那么有人会问,如果这次“会议”的大部分人都叛变了,那岂不是导致会破坏掉这个“会议”,从而破坏掉整个区块链嘛?这种可能性当然是存在的了,但是参加这次“大会”的人都是来自世界各地,且彼此都不认识,想要控制他们是很难的。理论上,只要控制了51%的参加“会议”的人,就可以破坏掉整个网络,但是,如果你有控制51%人的能力,你还愿意去破坏整个区块链么?我觉得正常人都应该是拼命的去维护,所以,这也就是为什么区块链很难受到攻击的一个原因。

image

那么讲到这里,我们把共识机制类比成开“会议”,那么我们知道,如果开会的人多,最后达成结果的时间就比较久,开会的人少,最后达成结果的时间就比较快;放在区块链里,其实也是一样的。参加人数多了,大家就不容易被控制了,那么去中心化程度就越强了,那么达成一致的时间就久了;同理,参加的人数少了。大家就容易被控制,去中心化程度越弱了,但是达成一致的时间可能就会变快了。

大家会发现,共识机制的去中心化强弱是和区块链的速度成反比关系:去中心程度越弱,安全性就越低,区块链的速度就越快;去中心化程度越强,安全性就会越高,区块链的速度就会越慢。当然影响区块链速度的因素还有其他方面,日后我们会再讲。不过,很多媒体拿速度慢来抨击比特币,这就说明很多媒体和项目方是没技术含量的。区块链上的共识机制有多种,但任何一种都不是完美无缺,只能说每种共识机制适用的场景是不一样的。

2

主流的共识算法

image

1、Pow工作量证明

就是大家熟悉的挖矿,通过运算,计算出一个满足规则的随机数,即获得本次记账权,发出本轮需要记录的数据,全网其它节点验证后一起存储。

优点:完全去中心化,节点自由进出。

缺点:目前bitcoin已经吸引全球大部分的算力,其它再用Pow共识机制的区块链应用很难获得相同的算力来保障自身的安全;挖矿造成大量的资源浪费;共识达成的周期较长,不适合商业应用。

2、Pos权益证明

根据每个节点所占代币的比例和时间;等比例的降低挖矿难度,从而加快找随机数的速度。

优点:在一定程度上缩短了共识达成的时间。

缺点:与区块链的去中心化相背离。

3、DPos股份授权证明机制

类似于董事会投票,持币者投出一定数量的节点,代理他们进行验证和记账。

优点:大幅缩小参与验证和记账节点的数量,可以达到秒级的共识验证。

缺点:整个共识机制还是依赖于代币,在某种程度上趋向中心化。

4、Pool验证池

基于传统的分布式一致性技术,加上数据验证机制;是目前行业链大范围在使用的共识机制。

优点:不需要代币也可以工作,在成熟的分布式一致性算法(Pasox、Raft)基础上,实现秒级共识验证。

缺点:去中心化程度不如bictoin;更适合多方参与的多中心商业模式。

5、权威证明PoA(Proofof Authority)

所谓权威证明(PoA),就是使用一组所谓的“权限” 来允许人们在区块链上创建新的节点并确保区块链的安全。

优点:出块时间快,便于高速并发应用落地,可以根据参与方角色分配不同节点、开源系统丰富。

缺点:去中心化程度不如bictoin;更适合多方参与的多中心商业模式。

6、PBFT :Practical Byzantine Fault Tolerance,实用拜占庭容错
在保证活性和安全性(liveness & safety)的前提下提供了(n-1)/3的容错性。

在分布式计算上,不同的计算机透过讯息交换,尝试达成共识。

但有时候,系统上协调计算机(Coordinator / Commander)或成员计算机 (Member /Lieutanent)可能因系统错误并交换错的讯息,导致影响最终的系统一致性。

缺点:

  • 当有1/3或以上记账人停止工作后,系统将无法提供服务;

  • 当有1/3或以上记账人联合作恶,且其它所有的记账人被恰好分割为两个网络孤岛时,恶意记账人可以使系统出现分叉,但是会留下密码学证据。

7.dBFT: delegated BFT 授权拜占庭容错算法

介绍:小蚁采用的dBFT机制,是由权益来选出记账人,然后记账人之间通过拜占庭容错算法来达成共识。

此算法在PBFT基础上进行了以下改进:

  • 将C/S架构的请求响应模式,改进为适合P2P网络的对等节点模式;
    将静态的共识参与节点改进为可动态进入、退出的动态共识参与节点;

  • 为共识参与节点的产生设计了一套基于持有权益比例的投票机制,通过投票决定共识参与节点(记账节点);

  • 在区块链中引入数字证书,解决了投票中对记账节点真实身份的认证问题。

优点:

  • 专业化的记账人;

  • 可以容忍任何类型的错误;

  • 记账由多人协同完成,每一个区块都有最终性,不会分叉;

  • 算法的可靠性有严格的数学证明。

缺点:

  • 当有1/3或以上记账人停止工作后,系统将无法提供服务;

  • 当有1/3或以上记账人联合作恶,且其它所有的记账人被恰好分割为两个网络孤岛时,恶意记账人可以使系统出现分叉,但是会留下密码学证据。

3

现有各种共识机制的问

A、计算能力浪费

在工作量证明机制POW中,猜数字最快的通常是电脑计算能力强的。超强的计算能级仅用来猜数字,实在是浪费。

B、权益向顶层集中

在权益证明机制POS中,token的余额越多的人获得公示信息的概率越高,公示人会得到一定的token作为奖励,如此持有token多的人会越来越多,少的人越来越少。

C、作恶成本低下

在靠算力与权益的的多少来获得公示信息的权利的模式当中,当算力和权益向少数人集中之后,这些少数人如果想要做一些违反规则的事情是轻而易举的;在PBFT中,由所有人投票,如果一个没有任何token余额的人想要捣乱,那他几乎是完全没有利益损失。

D、对于真正的去中心化构成威胁

在工作量证明机制中,计算能力越强,获得记录权利的概率就越高。如果有人把很多人集中在一起来猜数字,把好多电脑的算力加在一起来用,那这些抱团的人就会更容易获得公示信息的权利,发展到最后可能公示权就直接掌握在这些人手里。

本文内容来源于:皮蛋投资、海派部落、超级商人

整理:Cynthia

以下是我们的社区介绍,欢迎各种合作、交流、学习:)

image

用通俗易懂的话来介绍加密货币的Ripple、Stellar是什么?各自原理、应用场景和区别是什么?XRP是什么?XRP在Ripple上如何应用的?SCP是什么?SCP在Stellar上如何应用的? 摘要: Ripple和Stellar均为优化跨境支付的分布式账本技术,但定位不同。Ripple(XRP)采用RCA共识机制,服务金融机构,实现大额跨境转账的高效低成本处理(如银行间几分钟到账)。Stellar(XLM)基于更开放的SCP协议,聚焦普惠金融,支持个人小额跨境转账(如劳工汇款,手续费低至0.5美元)。核心区别在于:Ripple强调整合银行资源(B2B),而Stellar注重去中心化与普惠性(B2C/C2C)。XRP充当货币兑换桥梁,SCP则通过节点协商快速验证交易,两者均避免高能耗挖矿,实现快速 阅读详情

相关推荐

基于FISCO-BCOS的供应链系统:从智能合约到链下集成的完整实践

区块链技术作为一种分布式账本技术,其核心原理是通过密码学、共识机制和智能合约,在多方参与且缺乏中心化信任主体的场景下,构建可信、不可篡改的数据协作网络。这一技术价值在企业级应用中尤为突出,能够有效解决信息孤岛、对账成本高、流程不透明等痛点。在供应链管理、金融交易、数据存证等应用场景中,联盟链平台因其可控性、高性能和隐私保护能力成为主流选择。本文聚焦于供应链这一典型场景,深入探讨如何利用FISCO-BCOS这一国产联盟链平台,设计并实现商品溯源与订单管理等核心智能合约,并通过Spring Boot中间件与Vu

weixin_34391445的博客 389

w1区块链基础知识25讲

11讲哈希值在现实世界的应用 哈希函数:以任意长度的数据输入,输出固定长度的数值,比如 32byte 。这个值就称为哈希值,也可以称为 摘要 散列 指纹等。 11.1数据对比 目标就是对比两份数据不需要一一对比其中的数据内容,让任何数据的比较像比较两个哈希值那么简单。所以具体操作就是通过计算两份数据的哈希值,如果哈希值相同那么就可以认为数据相同。 原理:哈希计算的防碰撞基础上才能认为是正确的。否则 不同的数据可能产生相同的哈希值。 11.2数据监测 数据连同哈希值x发送给接收方,接收方通过相同的哈希函数

mmmmhello的博客 1万+

基于Hyperledger Fabric的农产品溯源平台:从架构设计到性能调优实战

区块链技术通过分布式账本、共识机制和智能合约,构建了多方协作下的可信数据交换基础。其核心原理在于利用密码学保障数据不可篡改,并通过去中心化架构消除单点信任依赖。这一技术为供应链管理、金融结算等需要高可信环境的场景提供了革新方案。尤其在联盟链模式下,如Hyperledger Fabric,它在权限可控、性能可扩展与隐私保护之间取得了平衡,非常适合企业级应用。本文以农产品溯源为具体场景,深入探讨如何利用Fabric的通道机制实现数据隔离,并借助Tape工具进行性能压测与调优,解决从链码设计到生产部署中的实际工程

weixin_34297704的博客 388

常见10种区块链共识算法

共识是指多个参与者就某个特定的事务或状态达成一致的过程,而在区块链当中简单理解就是在众多节点当中选出一个节点来记账。而共识算法要解决的问题就是:如何选出这个节点?一般的共识算法是依靠节点提供“某种能力”的证明来确定,例如POW算法,是节点通过证明自己的“算力能力”并计算出一个指定要求的哈希值来获得记账的权利,下面就来介绍常见的几种共识算法。

foshouguacai的博客 5537

【黑马点评】项目知识点及面经整理

【黑马点评】项目知识点及面经整理

m0_52031708的博客 6609

C语言图形化界面——含图形、按钮、鼠标、进度条等部件制作(带详细代码、讲解及注释)

本文借助easyx库函数(提供下载链接),很方便地用C语言实现了鼠标、按钮、进度条、坐标尺等操作,为普通C程序的友好人机交互界面提供了一种简单便捷的方案。

体会编程语言独到的美 17万+

什么是星际文件系统(IPFS)

星际文件系统(IPFS)会是将来一个非常重要的技术。IPFS的全称是Interplanetary File System,是一种p2p的文件分享系统,目的是要改变信息分发的方式。它在通信协议和分布式系统方面都有几项创新。我们先来看一下它背后的科技突破,这些突破让IPFS的目的成为可能。 首先看一下通讯协议和分布式系统。如果两个人要交流信息,这两个人需要共同的一套标准,以便确定信息在何时以及如何传递。这些标准就是通常说的通讯协议。通讯协议就像语言一样。如果我们去某个国家但是不说该国语言,我们就不具备和当

Lance的博客 7611

NVIDIA Jetson Xavier NX刷机教程

NVIDIA Jetson Xavier NX刷机教程,分别安装OS和SDK的经验分享

qq_68271367的博客 6959

区块链中五种常见共识算法

区块链是一种去中心化的分布式账本系统,可以用于登记和发行数字化资产、产权凭证、积分等,并以点对点的方式进行转账、支付和交易。区块链系统与传统中心化系统相比,具有公开透明、不可篡改、防止多重支付等优点,并且不依赖于任何的可信第三方。 由于点对点网络下存在较高的网络延迟,各个节点所观察到的事务先后顺序不可能完全一致。因此,区块链系统需要设计一种机制对在差不多时间内发生的事务的先后顺序进行共识。这种对...

跨链技术践行者 1万+

即梦文生视频逆向接口部署使用

有的小伙伴不知道这个地址如何填写,你可以理解是步骤3上提供的 服务器或者本地电脑IP 地址(不要写 http://127.0.0.1 或者http://localhsot ) 是 (192.168.XXX.XXX 参考)

weixin_44245188的博客 3191

达梦数据守护集群监视器详解与应用指南

主库/备库:承担读写和只读服务的数据节点Redo 日志:记录数据库变更的核心日志Redo 日志传输:主备库间的日志同步机制Redo 日志重演:备库重做日志的应用过程守护进程 (dmwatcher):实例级别的监控和管理组件监视器 (dmmonitor):集群级别的监控和管理工具监视器作为数据守护系统的重要组成部分,提供了集群监控、故障管理和状态确认等关键功能。达梦数据守护集群监视器是维护数据库高可用性的关键工具。

huanhuanzhou blog 1059

区块链共识算法深度拆解:PoW、PoS、PBFT、Raft 原理解析

本文系统分析了四种主流区块链共识算法(PoW、PoS、PBFT、Raft)的核心原理与特性。PoW通过算力竞争保障安全性但能耗高;PoS以质押代币替代算力,显著降低能耗;PBFT实现拜占庭容错与即时最终性;Raft则针对崩溃故障提供简单高效的解决方案。文章通过比特币、以太坊等实际案例,对比了各算法在安全性、去中心化、性能等方面的权衡,为不同场景下的共识算法选型提供了参考依据。

yihan小白的博客 480

如何在 R 中执行 Kruskal-Wallis 检验

Kruskal-Wallis 检验用于确定三个或更多独立组的中位数之间是否存在统计学上的显着差异。它被认为是单向方差分析的非参数等效项。本教程介绍了如何在 R 中执行 Kruskal-Wallis 检验。示例:R 中的 Kruskal-Wallis 检验 假设研究人员想知道三种不同的肥料是否会导致不同水平的植物生长。他们随机选择 30 种不同的植物并将它们分成三组,每组 10 株,每组施用不同的肥料。在一个月结束时,他们测量每株植物的高度。使用以下步骤执行 Kruskal-Wallis 检验以确定三个组的中

Mrrunsen的博客 3801

比较各种共识算法的Finality和Liveness

不要浪费时间为纯异步网络设计共识算法。 原作者:灵魂机器 由于 FLP Imposibility 原理, No completely asynchronous consensus protocol can tolerate even a single unannounced process death 因此不要浪费时间为纯异步网络设计共识算法。解决办法就是,要么加强对网络的要求,要求网络是Synchronous或者Partially Synchronous的(从异步到同步或者半同步,网络状态变.

跨链技术践行者 721

46、大数据助力SDN优化流量管理与控制器

本文探讨了大数据在软件定义网络(SDN)中的应用,重点分析了如何利用大数据技术优化SDN控制器的可扩展性和弹性。通过介绍SDN控制器的核心功能及其面临的挑战,提出了集中式、分布式、混合式和分层式控制器放置策略,并结合大数据分析系统架构与技术,详细阐述了在控制器放置优化、流聚合和备份路径识别等场景中的实际应用。文章还给出了大数据分析在SDN控制器优化中的操作流程与优势,展望了未来结合人工智能与物联网的发展方向,强调了数据安全与算法效率的重要性。

xx56789的博客 88

一文读懂 SAP ICF Services:从 SICF 激活到 ABAP OData V2/V4 安全与实战

本文系统化介绍了ABAP系统中ICF服务的关键概念及实践要点。主要内容包括:ICF服务的核心安全机制,需显式激活才能响应HTTP请求;在SICF中正确激活服务的操作步骤;OData V2/V4服务所需的不同ICF节点配置,如V4统一入口节点/sap/opu/odata4;典型问题如default_host未激活会导致HOST_INACTIVE错误;安全实践包括CSRF防护机制和权限对象(S_ICF_ADM)配置;以及实际案例分析和常见ICF服务节点的功能说明。文章为ABAP开发者与运维人员提供了ICF服务管

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 474

微众银行区块链张开翔:区块链上隐私保护的挑战和应对

近日,微众银行区块链首席架构师张开翔做客香港人工智能与机器人学会HKSAIR《AI金融》系列线上讲座,以“区块链上隐私保护的挑战和应对”为主题,探讨区块链如何为数据隐私和信息开放构建一座天平。 以下为张开翔演讲全文,雷锋网《AI金融评论》做了不改变原意的整理: 我是微众银行的张开翔,我们团队从2015年开始研究区块链。 在讲区块链和隐私保护之前,先简单过一下区块链的概念和分类。 首先,真正的区块链必须是在分布式网络上的。区块是有序号、有高度,一个区块接一个区块地互相依赖生成,这样可以做到数据的严格校验,不丢

微众区块链的博客 1717

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")

胡说区块链 | 谈区块链,不能不提的几项技术

编者按 区块链,当下最火的IT技术,可以说没有之一。接下来大数网将在每周五刊载一篇区块链相关的内容,请注意,我们不谈空气币,而是去讲技术、讲应用,讲这项技术真正的价值。之...

大数网 557

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

详解Casper FFG共识算法

Casper FFG的具体算法流程是什么?如何证明 Safety 和 Plausible Liveness? 原作者:灵魂机器;本文配套视频:详解Casper FFG共识算法_腾讯视频 Casper FFG是Vitalik提出来的一个PoW/PoS混合的算法,目的是为了让Ethereum平滑过渡到纯PoS。论文在这里,Casper the Friendly Finality Gadget,本文主要讲解这篇论文的核心知识点。 Casper FFG算法流程 目前是2018年,Ethereum依旧是一..

跨链技术践行者 893

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

区块链:重构信任的价值互联网革命​

区块链技术通过去中心化架构、密码学算法和共识机制,重塑了数字世界的信任逻辑。其核心在于以数学算法替代中心化信用背书,实现"代码即契约"的底层系统。应用场景已从加密货币扩展至金融、供应链、社会治理等领域,显著提升了交易效率和透明度。该技术正在推动社会从"机构信任"向"算法信任"转型,降低信任成本,突破价值流通边界,使数据主权回归个体。尽管面临性能瓶颈、跨链互操作性等挑战,但区块链将推动互联网进入"价值互联"新阶段,重构人类协作模式

2401_82363370的博客 1219

区块链 | 这几个关键性技术把区块链说透了

毋庸置疑,区块链技术作为一个典型的智力密集型领域,它不仅仅是一个集当下诸多顶尖技术于一身的先进技术综合体,更是一种制造“信任”的分布式技术框架和思想体系。而百度云融合区块链实验室的最先进...

百度智能云 739

POS共识机制

POS共识机制   在上篇文章中,我大概介绍了一下整个区块链的共识机制的重要性以及工作原理,用简单的一句话来概括总结,其实共识机制,就是现实生活的国家法律,在区块链的世界中用代码的形式做到了整个区块链网络的“法律法规”,因此说共识机制是区块链网络中的灵魂,在我眼中看来是毫不为过的。紧接着,我又介绍了现阶段最常用以及最稳定的POW共识算法,虽然他很暴力,利用计算机的算力来保证了区块链网络的一致性...

qq_38465408的博客 2875

BlockChain:BlockChain周边概念详解+个人理解

BlockChain:BlockChain周边概念详解+个人理解 目录 1、拜占庭将军问题 2、共识机制 1、区块链的共识机制目前有以下几种 PoW PoS DPoS 其他共识机制 1、拜占庭将军问题 拜占庭将军问题(Byzantine Generals Problem),是由莱斯利·兰波特在其同名论文中提出的分布式对等网络通信容...

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1万+

浅看 - 共识机制

浅看 - 共识机制 共识机制: 通过特殊节点的投票,在短时间内完成对交易的验证和确认;简单理解: 共识机制就是对一笔交易,大家都同意,那这笔交易就是有效的 打个比方:共识是区块链的基础,共识机制就是区块链的灵魂 一 : POW 首先了解一下,POW(proof Of work) 工作量证明机制 简单解释一下,就是一份证明,用着一份证明,来证明你工作过;但是不能证明你的工作过程. 工作量证明系统,是以一种应对服务攻击和其他服务滥用的经济对策;他要求发起者需要进行一定量的计算,消耗一定的时间,以及计算能

shunuanwei的博客 647

DataChain:用数据智能合约重构可信数据治理与AI协作

在数据驱动的时代,数据治理与可信协作成为核心挑战。其原理在于将传统的数据访问控制与商业逻辑,从中心化、黑箱的应用系统中解耦,通过可编程、可自动执行的规则进行管理。这一模式的技术价值在于,它通过密码学凭证和不可篡改的日志,为数据全生命周期提供了可验证的透明度和自动化执行能力,从而在多方协作中建立技术信任。其应用场景广泛,尤其适用于需要明确权责与溯源的数据交换场合,例如跨组织的联合AI研发、企业内部数据成本核算以及满足监管要求的模型供应链审计。DataChain项目正是这一理念的工程化实践,它作为一个轻量的“数

weixin_30902251的博客 760

Bittensor去中心化AI网络:架构、共识与矿工实战指南

去中心化计算与激励机制是区块链技术的核心原理,通过分布式节点协作实现无需信任的价值交换。结合机器学习,这一范式催生了去中心化人工智能网络,旨在将AI模型的训练与推理从中心化巨头解放,构建开放、可验证的AI服务市场。其技术价值在于利用经济激励协调全球算力与数据,为开发者提供了低成本访问高质量AI能力的可能,应用场景涵盖从文本生成、图像识别到科学计算的各类垂直领域。本文以Bittensor项目为例,深入解析其基于Yuma共识的**去中心化AI**网络架构,并通过实战演示如何部署一个**文本生成**矿工节点,为参

无花的专栏 393
上一篇: Blockathon(北京) shows blockchain is a global endeavor
下一篇: 一起学习EOS|深入理解EOS的账户及其权限机制(附代码)
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