从零到上线:Rust + Solana合约开发全流程(含部署优化技巧)

Solana的开发流程 开发Solana项目是一个涉及多个技术栈和工具的过程,需要开发者具备一定的Rust语言基础和对Solana生态有一定的了解。随着项目的不断发展,Solana社区也在不断提供更多的工具和框架来简化开发流程,提高开发效率。 阅读详情

第一章:Rust Solana 合约开发入门

Solana 作为高性能区块链平台,支持使用 Rust 编写高效、安全的智能合约。开发者可通过 Solana 的程序模型(on-chain programs)部署无权限的链上逻辑,实现去中心化应用的核心功能。

开发环境准备

在开始之前,需安装以下工具:
  • Solana CLI:用于与 Solana 网络交互,可通过命令行部署和调用合约
  • Rust 和 Cargo:Solana 合约主要使用 Rust 编写,需配置好 rustup 和 cargo 构建系统
  • solana-program SDK:提供编写链上程序所需的基础类型和宏
安装 Solana CLI 的命令如下:
sh -c "$(curl -sS https://raw.githubusercontent.com/solana-labs/solana/master/installer/init.sh)"

创建第一个 Solana 合约

使用 Cargo 初始化新项目:
cargo init my_solana_program --lib
在 Cargo.toml 中添加 Solana 依赖:
[dependencies]
solana-program = "1.18"

[lib]
crate-type = ["cdylib", "rlib"]
主程序文件 lib.rs 需定义入口函数和业务逻辑:
use solana_program::{
    account_info::AccountInfo,
    entrypoint,
    entrypoint::ProgramResult,
    msg,
    pubkey::Pubkey,
};

// 定义程序入口
entrypoint!(process_instruction);

fn process_instruction(
    _program_id: &Pubkey,        // 程序自身地址
    accounts: &[AccountInfo],     // 调用时传入的账户列表
    _instruction_data: &[u8],     // 输入数据
) -> ProgramResult {
    msg!("Hello from Solana!");  // 日志输出
    Ok(())                       // 返回成功
}
该合约在被调用时会打印一条日志消息。通过 solanapay 或自定义客户端可触发执行。

编译与部署流程

构建流程由 Cargo 驱动,目标为 BPF(Berkeley Packet Filter)架构:
cargo build-bpf
部署前需生成密钥对并配置网络:
solana-keygen new
solana config set --url http://localhost:8899
最终使用 CLI 部署到本地或测试网:
solana program deploy target/deploy/my_solana_program.so
步骤说明
编写逻辑使用 Rust 实现业务处理函数
编译为 BPF生成可在 Solana 运行时执行的字节码
部署上链将 SO 文件上传至指定网络

第二章:环境搭建与工具链配置

2.1 安装Rust与Cargo并配置开发环境

Rust 提供了官方工具 rustup 来统一管理版本和组件,推荐所有开发者使用它进行安装。
安装 Rust 与 Cargo
在终端执行以下命令:
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
该脚本会自动下载并安装 rustup、Rust 编译器(rustc) 和 Cargo(Rust 的包管理器与构建工具)。安装完成后,Cargo 将被加入系统路径,可通过 cargo --version 验证。
环境变量与配置
Rust 的工具链依赖以下关键环境变量:
  • CARGO_HOME:指定 Cargo 的安装目录,默认为 ~/.cargo
  • RUSTUP_HOME:存放 rustup 及工具链文件,通常为 ~/.rustup
  • PATH:需包含 $CARGO_HOME/bin 以使用 cargo、rustc 等命令
安装完成后,运行 source $CARGO_HOME/env 或重启终端以加载环境变量。

2.2 搭建Solana本地测试节点与CLI工具使用

安装Solana CLI工具
在开始前,需先安装Solana命令行工具。通过以下命令可快速完成安装:
sh -c "$(curl -sSfL https://release.solana.com/stable/install)"
该脚本会自动下载并配置最新稳定版的Solana CLI,包含solanad、solana等核心命令。
启动本地测试节点
使用CLI快速启动一个本地开发节点:
solana-test-validator
此命令将启动一个本地验证节点,预分配100个测试SOL用于开发调试,同时监听9900端口提供JSON-RPC服务。
常用CLI操作命令
  • solana address:查看当前钱包地址
  • solana airdrop 1:请求1个测试SOL空投
  • solana balance:查询账户余额
这些命令为智能合约部署和交易测试提供基础支持,建议结合--url localhost指定本地节点。

2.3 创建第一个Rust-based Solana程序模板

在开发Solana链上程序时,使用Rust语言构建是性能与安全性的首选方案。首先需安装Solana CLI与Cargo工具链,随后通过`cargo init --lib`初始化项目结构。
项目结构配置
创建后的目录应包含`Cargo.toml`和`src/lib.rs`。在`Cargo.toml`中指定Solana SDK依赖:

[dependencies]
solana-program = "1.18"
该依赖提供了访问系统调用、账户管理及序列化功能的核心接口。
编写入口逻辑
在`lib.rs`中实现程序入口:

use solana_program::{
    account_info::AccountInfo,
    entrypoint::ProgramResult,
    msg,
    pubkey::Pubkey,
};

#[cfg(not(feature = "no-entrypoint"))]
solana_program::entrypoint!(process_instruction);

fn process_instruction(
    _program_id: &Pubkey,
    _accounts: &[AccountInfo],
    _instruction_data: &[u8],
) -> ProgramResult {
    msg!("Hello from Solana BPF program!");
    Ok(())
}
此代码定义了程序的入口函数`process_instruction`,接收程序ID、账户列表和指令数据。`msg!`宏用于在链上输出日志,便于调试。函数返回`ProgramResult`类型,表示执行成功或失败。

2.4 理解BPF目标构建流程与编译优化选项

在构建BPF程序时,目标文件的生成依赖于LLVM编译器对C语言源码的前端处理。典型流程包括预处理、编译为BPF字节码、链接和验证前的重定位。
编译流程关键步骤
  1. 使用clang将C代码编译为LLVM IR
  2. 通过llc将IR转换为BPF目标文件(.o)
  3. 加载至内核前由eBPF验证器校验安全性
常用编译优化选项
clang -O2 -target bpf -c prog.c -o prog.o
其中:
  • -O2:启用标准优化,提升运行时性能
  • -target bpf:指定输出目标为BPF架构
  • -c:仅编译不链接,生成可重定位目标文件
优化级别对比
选项说明
-O0无优化,便于调试
-O2推荐生产环境使用
-O3激进优化,可能增加指令数

2.5 配置VS Code调试支持与单元测试框架

启用调试功能
在 VS Code 中配置调试环境,需创建 .vscode/launch.json 文件。以下为 Go 语言的典型配置:
{
  "version": "0.2.0",
  "configurations": [
    {
      "name": "Launch Package",
      "type": "go",
      "request": "launch",
      "mode": "auto",
      "program": "${workspaceFolder}"
    }
  ]
}
该配置指定调试器自动选择运行模式,program 指向工作区根目录,适用于主包调试。
集成单元测试框架
Go 内置 testing 包,可在 VS Code 中直接运行测试。通过命令面板执行 Run Test,或使用快捷按钮。测试文件命名须以 _test.go 结尾。
  • 测试函数前缀为 Test
  • 使用 go test 命令行验证结果
  • 覆盖率可通过 -cover 参数查看

第三章:Solana合约核心概念与编程模型

3.1 账户模型与数据持久化机制解析

账户模型是区块链系统的核心组成部分,负责管理用户身份、资产余额及状态变更。在多数去中心化系统中,账户通常分为外部控制账户(EOA)和合约账户两类,其状态通过默克尔 Patricia 树结构进行高效存储与验证。
数据持久化流程
系统采用 LSM-Tree 架构的键值数据库(如 LevelDB)持久化账户状态。每次状态更新先写入内存中的 MemTable,随后批量刷盘形成 SSTable 文件,保障写入性能与数据一致性。
// 示例:账户结构体定义
type Account struct {
    Address    string // 地址哈希
    Balance    int64  // 资产余额
    Nonce      uint64 // 交易计数
    StateRoot  []byte // 状态根
}
上述结构体描述了账户的基本字段,其中 Nonce 防止重放攻击,StateRoot 指向该账户关联的存储树根哈希。
状态更新机制
  • 交易触发账户状态变更
  • 状态变更暂存于 Trie 中
  • 区块确认后持久化至底层数据库

3.2 程序派生地址(PDA)与权限控制实践

程序派生地址(Program Derived Address, PDA)是 Solana 链上实现无私钥签名的核心机制,常用于程序间安全交互。
PDA 的生成与验证
PDA 由程序 ID 和种子(seeds)通过哈希函数派生,不对应任何私钥,仅能由所属程序“签名”。

let (pda, bump) = Pubkey::find_program_address(&["vault".as_bytes()], &program_id);
该代码生成一个基于种子 "vault" 的 PDA。bump 是满足地址无效 ECDSA 公钥的递减字节,确保 PDA 不在椭圆曲线上。
权限控制场景
PDA 常用于账户权限管理,例如作为资金保管账户,仅当调用源自特定程序时,才允许写入或转账。
  • PDA 账户所有权归程序所有,防止外部篡改
  • 通过种子设计实现多维度命名空间隔离
  • 结合 CPI(跨程序调用)实现安全的权限委托

3.3 交易结构与指令处理逻辑实现

交易数据结构设计
系统采用统一的交易结构体,封装交易核心信息。该结构包含交易ID、操作类型、时间戳及负载数据。
type Transaction struct {
    ID        string    `json:"id"`
    OpType    string    `json:"op_type"`   // 操作类型:INSERT/UPDATE/DELETE
    Timestamp int64     `json:"timestamp"`
    Payload   []byte    `json:"payload"`   // 序列化后的业务数据
}
上述结构通过JSON序列化实现跨服务传输,Payload字段支持灵活的业务扩展。
指令分发与处理流程
指令到达后,由调度器根据OpType路由至对应处理器:
  • INSERT:写入主存储并触发缓存更新
  • UPDATE:校验版本号后原子更新
  • DELETE:标记删除并通知下游清理
每个操作均记录WAL日志,保障故障恢复一致性。

第四章:合约开发、测试与部署全流程

4.1 编写可升级的合约状态结构与业务逻辑

在智能合约开发中,实现可升级性要求将状态存储与业务逻辑解耦。常用模式是采用“代理代理(Proxy)+逻辑合约(Implementation)”架构,其中代理合约持有状态和转发调用,逻辑合约仅包含函数实现。
存储布局兼容性
升级时必须保证新旧合约的存储变量顺序一致,避免数据错位。推荐使用基合约定义共享状态:

contract StorageLayout {
    uint256 public value;
    address public owner;
}
该代码定义了基础存储结构,后续逻辑合约继承此类以确保插槽分配一致。
分离业务逻辑
通过委托调用(delegatecall),代理合约在自身上下文中执行逻辑合约代码,从而保留状态。如下为简化示例:

function upgrade(address newImpl) external {
    require(msg.sender == owner, "Unauthorized");
    implementation = newImpl;
}
此函数允许管理员切换逻辑合约地址,配合代理机制实现无缝升级,同时保持状态持久化。

4.2 使用Anchor框架提升开发效率(可选对比)

Anchor 框架为 Solana 链上程序开发提供了现代化的工具链与声明式语法,显著降低 Rust 编程门槛。通过 IDL(Interface Description Language),前端可自动生成调用代码,提升全栈协同效率。
核心优势
  • 声明式编程:使用宏简化账户验证与指令路由
  • 自动代码生成:支持 TypeScript 前端 SDK 自动生成
  • 内置测试套件:集成本地验证节点快速调试
示例:定义状态账户

#[account]
pub struct UserAccount {
    pub authority: Pubkey,
    pub count: u64,
}
该结构通过 #[account] 宏自动实现数据序列化与内存布局控制,Pubkey 类型确保地址合法性,u64 存储无符号计数,便于前端解析。
开发效率对比
特性原生 SolanaAnchor
账户安全校验手动编写宏自动处理
前端集成成本高(需手动构造调用)低(IDL 自动生成 SDK)

4.3 本地及Devnet集成测试策略与断言验证

在构建去中心化应用时,本地与Devnet环境的集成测试是确保合约行为符合预期的关键环节。通过模拟真实网络条件,开发者可在部署前充分验证逻辑正确性。
测试策略分层设计
  • 单元测试:针对单个函数进行边界值与异常路径覆盖
  • 集成测试:验证跨合约调用与事件触发机制
  • Devnet端到端测试:在类生产环境中测试钱包交互与链上状态同步
断言验证示例
// 验证余额变更前后的一致性
require.Equal(t, initialBalance+amount, finalBalance)
require.Eventually(t, func() bool {
    return contract.BalanceOf(addr) == expected
}, 5*time.Second, 100*time.Millisecond)
上述代码使用 `require` 包进行同步与异步断言,确保状态变更在指定时间内生效,提升测试可靠性。

4.4 主网上线前的性能优化与Gas成本分析

在主网上线前,智能合约的性能优化与Gas成本控制至关重要。通过精简存储结构和优化函数执行路径,可显著降低交易开销。
存储结构优化策略
使用紧凑的数据类型减少SLOAD与SSTORE操作消耗。例如,将多个布尔值合并为位掩码字段:

struct Permissions {
    uint256 flags; // 使用位操作管理权限
}
// 设置第n位权限
function setPermission(uint8 n) public {
    permissions.flags |= (1 << n);
}
该方法将多次状态变量写入合并为单次操作,节省约4200 Gas。
Gas消耗对比表
操作类型未优化Gas优化后Gas
状态变量更新20,00012,500
事件日志输出8,0005,200
通过批量处理和事件精简,整体交易成本下降超35%。

第五章:总结与生态展望

云原生集成趋势
现代Go应用越来越多地与Kubernetes和gRPC深度集成。例如,在微服务架构中,使用Go编写的服务可通过以下方式注册到服务网格:

// 注册gRPC服务到Consul
func registerService() error {
    config := api.DefaultConfig()
    config.Address = "consul.internal:8500"
    client, _ := api.NewClient(config)
    
    registration := &api.AgentServiceRegistration{
        ID:   "user-service-1",
        Name: "user-service",
        Port: 50051,
        Check: &api.AgentServiceCheck{
            GRPC:     "localhost:50051",
            Interval: "10s",
        },
    }
    return client.Agent().ServiceRegister(registration)
}
开发者工具链演进
Go生态中的工具链持续优化,提升开发效率。以下为常用工具的实际应用场景:
  • goimports:自动管理包导入并格式化代码,集成至VS Code或Goland可实现实时修正
  • golangci-lint:支持多规则静态检查,CI流程中建议启用govet、errcheck等关键检查项
  • Wire:依赖注入工具,避免运行时代理开销,适合高性能服务场景
模块化与版本控制实践
在大型项目中,推荐采用多模块结构分离核心逻辑。典型布局如下:
模块路径职责
internal/domain业务实体与领域逻辑
internal/apiHTTP/gRPC接口层
pkg/utils可复用的公共函数库
[用户服务] → [API网关] → [认证中间件] → [数据库访问层] ↓ [日志与监控上报]
TrapDoor供应链攻击深度解析:从npm、PyPI到Crates.io的跨平台威胁 软件供应链安全是当今开发领域面临的核心挑战之一,其原理在于攻击者通过污染开源依赖包,利用开发者对自动化工具的信任实施入侵。这种攻击的技术价值在于它能绕过传统边界防御,直接渗透到开发环境内部,窃取高价值资产。在应用场景上,它尤其针对加密货币、DeFi和AI开发等高价值生态,通过伪装成安全审计、环境配置等工具包进行投毒。本文聚焦的TrapDoor攻击正是这一趋势的典型代表,它利用npm的postinstall脚本、PyPI的动态加载和Crates.io的build.rs机制,实现了跨生态系统的凭证窃取与持久化驻 阅读详情

相关推荐

区块链三难困境:可扩展性、安全与去中心化的工程权衡

区块链三难困境指可扩展性、安全性和去中心化三者无法同时最优的底层约束,它并非数学悖论,而是由网络延迟、验证开销与全节点成本共同决定的工程现实。理解这一困境是设计公链、Rollup或跨链系统的基础——例如模块化架构通过分离数据可用性(DA)与执行层,在不牺牲安全前提下提升吞吐;而并行EVM和递归零知识证明则分别从计算效率与验证压缩角度优化关键瓶颈。真实项目中,需结合业务场景(如DeFi重安全、GameFi重扩展)进行坐标定位与取舍,而非追求理论极限。本文聚焦生产级落地经验,覆盖Celestia、FuelVM、

weixin_34417200的博客 397

Solana 代币合约入口程序学习

Solana代币合约源码入口部分代码学习

天草降临的博客 2936

2026年AI编程工具选型指南:解耦AI能力层与编辑器宿主层

AI编程工具已从早期的代码补全辅助,演进为影响研发效能、安全合规与成本结构的核心基础设施。其底层逻辑在于‘AI能力层’(模型调度、提示工程、推理链路)与‘编辑器宿主层’(VS Code内核、本地IDE、信创环境适配)的耦合程度。Trae强调本地化与技能插件化,Windsurf依托VS Code实现渐进增强,通义灵码IDE深耕国产化全栈适配,GitHub Copilot则构建GitHub原生数据闭环。技术价值体现在可审计性、可复现性与可插拔性;典型应用场景覆盖金融量化回测、车规级ROS2开发、政务云信创迁移及

weixin_34253126的博客 392

solana上使用Rust进行合约开发

solana上使用Rust合约开发

西京刀客 2784

VisualSolana:Solana Rust BPF程序的块式编辑器和代码生成器

视觉索拉纳 一个基于块的可视化编辑器,用于Rust BPF代码生成

通达信指标DLL加密与一机一码授权实战指南

在软件保护领域,代码混淆与授权管理是核心技术,旨在防止核心算法被逆向工程与非法分发。其原理在于将关键逻辑编译为二进制动态链接库(DLL),实现逻辑黑盒化,并结合硬件指纹生成唯一机器码进行绑定,从而构建一套可控的软件使用授权体系。这项技术的核心价值在于有效保护开发者的知识产权与商业利益,防止策略泄露与盗版泛滥。其典型应用场景包括金融交易策略、商业软件以及各类需要保护核心代码的插件开发。本文聚焦于通达信交易软件,详细阐述了如何通过DLL加密与一机一码绑定技术,为自定义指标公式构建一套安全、可靠的保护方案,解决指

weixin_29327525的博客 292

Solana: 链上开发入门,用 Anchor 和 Rust 构建第一个程序

从这个简单的 "Hello World" 出发,我们已经掌握了理解更复杂 Solana 程序的基础。继续探索,尝试为我们的程序添加状态,或者定义需要更多账户的指令。编程之路,始于足下。

十年运维开发经验的王义杰在此分享自己的知识和经验 2025

避开这些坑!baostock获取股票数据时最容易犯的5个错误(Python实战)

本文针对使用Python和baostock库获取股票历史数据时常见的五大陷阱,提供了实战解决方案。重点剖析了登录状态验证、参数配置、数据解析、批量操作效率及数据一致性校验等关键环节,帮助开发者构建稳健高效的数据获取流程,避免因细节疏忽导致的数据错误或性能瓶颈。

websocket5live的博客 1446

智能合约开发——Sui/Move vs. Solana/Rust

智能合约开发——Sui/Move vs. Solana/Rust

mutourend2010@gmail.com 3893

SAP公司间外协业务流程以及配置说明

SAP公司间外协业务流程以及配置说明

竹大的博客 7173

单相全桥逆变三种SPWM调制方式(单极/双极/倍频)到底怎么选?一篇讲透优缺点与选型

本文深入解析单相全桥逆变器中单极性、双极性和单极性倍频三种SPWM调制方式的原理与工程选型策略。通过对比开关损耗、谐波特性和驱动复杂度等关键指标,提供基于STM32的实战方案和选型框架,帮助工程师在新能源发电、电机驱动等应用中做出最优决策。

weixin_34046298的博客 821

Solana应用开发常见技术栈

Solana应用开发常见技术栈介绍。

东南草堂 2046

MATLAB从入门到精通-APP调用simulink中的参数,并且修改,将结果返回到APP中

本次案例为以下微分方程: 其中方程的初始值为: Step1:搭建simulink文件,如下图所示: 初始值配置在积分模块中,如下图所示: Step2:制作app 操作视频: ,时长01:11 代码: 本文包括APP如何回调simulik中d的参数,以及把simulink中的仿真结果输出到APP中的绘图界面中。 核心代码如下: ...

wenyusuran的专栏 3042

如何部署Metaplex智能合约:从开发到生产的完整流程

Metaplex是Solana区块链上构建NFT市场和数字资产应用的终极框架。本文将详细介绍如何从零开始部署Metaplex智能合约的完整流程,帮助开发者快速掌握这一强大工具。 ## 📋 准备工作与环境配置 在开始部署Metaplex智能合约之前,您需要完成以下准备工作: ### 1. 安装必要工具 首先确保您的系统已安装以下工具: - Node.js(版本16或更高) - Rust编程语

gitblog_00049的博客 750

动力学约束下的运动规划算法——Kinodynamic RRT*算法

动力学约束下的运动规划算法——Kinodynamic RRT*算法

慕羽★的博客 6755

三维重建(十三)——多视角重建

本文综述了多视角三维重建技术,涵盖静态和动态场景的重建方法。介绍了从图像获取到纹理映射的SFM流程,以及非刚性重建(NRSFM)的挑战和解决方案。重点探讨了基于可微渲染的重建方法,以及数据采集策略、相机标定和同步技术。文章还讨论了如何用单视角相机模拟多视角重建,总结了关键技术和未来研究方向。

河海大学研究生在读的学习笔记 1060

Solana链开发全解析:解锁Web3.0时代的“性能革命”密码

2025年,区块链行业正经历一场“性能革命”。当以太坊的Layer2方案仍在为“百级TPS”挣扎时,Solana以单链65,000 TPS的吞吐量、0.00025美元的交易成本,成为DeFi、NFT和GameFi领域的“基础设施新王”。这条由Solana基金会主导的公链,不仅吸引了200万开发者入驻,更催生出Raydium(DEX)、Magic Eden(NFT市场)、Star Atlas(3A级链游)等现象级应用。

2501_91377248的博客 1271

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

DApp开发大洗牌!2025年五大框架终极对决:谁将终结以太坊垄断?

引言:DApp开发进入“效率为王”时代 2025年,全球DApp数量突破1.2万个,日活用户超800万,区块链技术正从“极客实验场”加速渗透至金融、游戏、供应链等千亿级市场。然而,开发者面临的挑战依然严峻:智能合约安全漏洞频发、跨链兼容性差、开发成本高企……如何在保证安全性的前提下,将开发效率提升3倍?

2501_91377248的博客 1038

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")

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

DAPP是什么?DAPP项目怎么开发?

DAPP(Decentralized Application)即去中心化应用,是基于区块链网络开发的分布式应用。传统APP由平台企业掌控,数据、权限、服务器均归平台所有;而DAPP核心逻辑由智能合约驱动,数据上链存储、全网节点共同维护,无单一管控主体,真正实现“代码即规则”,用户自主掌控资产与数据。DAPP依托区块链去中心化、透明可信的优势,打破了传统互联网的平台垄断问题。其开发核心不在于界面开发,而在于智能合约安全开发与链上逻辑把控。

manyunkeji123的博客 576

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

高效开发Web3应用:Awesome Web3中的SDK与API详解

在Web3开发领域,选择合适的工具和资源是项目成功的关键。Awesome Web3作为一个精心策划的资源列表,汇集了大量高质量的SDK和API,为开发者提供了从入门到精通的全方位支持。本文将深入解析这些工具,帮助你快速掌握Web3应用开发的核心技术栈。 [![Awesome Web3资源概览](https://raw.gitcode.com/gh_mirrors/awe/awesome-web3

gitblog_01100的博客 402

从零实现DeFi协议:Solidity构建恒定乘积AMM与动态费率全解析

去中心化金融(DeFi)的核心价值在于用代码替代信任,让资产交易、做市和激励在链上自主运行。恒定乘积做市商(AMM)作为DEX最基础的模型,其数学公式x*y=k不仅支撑着流动性池的价格发现,也决定了滑点与无常损失的边界。在Solidity工程实践中,开发者不仅要实现储备余额的加减乘除,还需处理精度截断、重入防护、价格操纵等安全陷阱。通过自定义动态手续费策略与LP时间权重激励,可以在经典模型之上构建更灵活的链上做市模块,适用于封闭生态、内部结算或定制化交易场景。本文从恒定乘积原理出发,结合Solidity代码

weixin_31556767的博客 75

AutoHedge:面向多智能体协同推理的轻量级共识调度框架

多智能体协同推理是AI工程化落地的核心挑战,其本质在于解决异构Agent在信息不全、资源受限与实时性约束下的可信协作问题。传统编排模式(如LangChain Router、AutoGen GroupChat)面临语义鸿沟、实时性陷阱与责任真空三大瓶颈,而基于Swarm Intelligence的分层共识协议提供了一种数学可证、过程可溯、结果可控的替代路径。该范式通过Proposal-Negotiation-Execution三层解耦,将‘求同’转向‘可控分歧’,显著提升系统在边缘计算、工业质检等高不确定性场

weixin_29040367的博客 327

区块链三难困境实战解构:安全、去中心化与可扩展性的工程平衡

区块链三难困境(Security, Decentralization, Scalability)并非技术缺陷,而是分布式系统在开放网络下的基本约束,根植于CAP定理与信息论通信复杂度。其本质是安全性、去中心化和可扩展性三者在真实硬件、网络延迟与经济模型限制下的动态权衡。ZK-Rollup、分片、PoS共识等主流方案并非‘解决’困境,而是在三维空间中选择不同切面——例如ZK-Rollup以电路证明换取确定性,却面临证明延迟与开发门槛;分片提升TPS却加剧验证者中心化。工程落地时,参数调优、监控指标与场景适配比

weixin_33727510的博客 347

新一代公链代表Solana(8) --- 如何通过Playground发布Solana的智能合约

Solana 智能合约是用 Rust 编写的,可以在 Solana 区块链上执行的代码片段。与以太坊的 Solidity 不同,Solana 智能合约使用 Rust 语言编写,这使得它具有更高的性能和更好的安全性。智能合约通常用于执行复杂的逻辑,例如数字资产管理、投票、众筹等。对于Rust,同学们可以看一下我之前的,相信对于Rust很容易会有一个清晰的认识并且上手,Rust系列还在持续更新中。Solana为了初学者可以快速入门,提供了一个服务。可以在不需要本地环境的情况下,进行DApp的开发。

Luca的博客, 网络安全Hacker,人工智能AIer,区块链Web3er,全栈软件开发er 2039

Solidity(以太坊)和Rust(Solana)

【代码】Solidity(以太坊)和Rust(Solana)

weixin_45742970的博客 1675
上一篇: 零基础进军游戏开发,Rust学习路线图全公开,90天成为主力开发者
下一篇: 【Yii 2电商安全防护手册】:防止SQL注入、XSS攻击与CSRF漏洞的5大关键措施
LiteCode
博客等级 码龄1年 146粉丝 2019原创
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  | 博主筛选后可见
 
 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