Moonbeam上的多链用例解析——Derek在Polkadot Decoded 2022的演讲文字回顾

Web3 MoonBuilder Web3 MoonBuilder 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 500+累计阅读 513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5年
关注
原创 最新推荐文章于 2026-11-07 14:00:04 发布 513 阅读 AI 写同款· GEO 优化 ›
【OS】AUTOSAR OS Alarm实现原理 AUTOSAR OS Alarm实现原理 阅读详情

Polkadot Decoded是一个线上线下的波卡社区大会，主要形式为专题演讲和小型研讨会。

Moonbeam和Moonriver是在Dotsama生态中最活跃的网络之一。在这个演讲中，Moonbeam创始人Derek Yoo讲述了两条网络的最新情况、在发展和部署中探索多链用例、深入XC-20以及XCM集成、波卡如何融入更广泛的生态系统，以及未来值得期待的发展。


📺 观看Derek完整演讲视频：

https://www.youtube.com/watch?v=th3lQ5oucwg&list=PLOyWqupZ-WGvcE0HKKnORiFqWNv5onxCf

💬 以下为Derek演讲精选文字内容：

1 Moonbeam核心愿景：互连合约（Connected Contract）

大家好，我是PureStake的CEO Derek，我们目前在搭建的项目是Moonbeam。这是我参加的第三次Polkadot Decoded大会，每次的主题都是互操作性以及我们希望在Moonbeam上实现什么。

当然，每一次都有新的进展：第一次大会着重于Moonbeam初创的想法；第二次大会着重于Moonriver上线Kusama后的活动和真实用例；这一次，波卡将在互操作性概念的基础上，通过XCM的启用、真实用例的发展，从理论迈向现实。因此，我想借此机会来与大家探讨分享这些用例，以及关于Moonbeam和波卡提供的新功能在早期阶段发展的想法。

Moonbeam的一个核心愿景是成为互连合约（Connected Contract）。这意味着在Moonbeam上的智能合约可以不受限制地与在Moonbeam内的资源/资产一起运作，开发者在Moonbeam上可以连接到任何链上的任何资产/服务。这是一个全新的概念，对开发者来说是个巨大的设计空间，引领至全新的Dapp。

2 互连合约（Connected Contract）的三大支柱

通信功能

供智能合约在区块链之间传递信息的功能。这是一个很关键的功能，最好的例子便是波卡的XCM。同时也有其他通信系统在Moonbeam上提供支持，因此你可以到达各个目的地。

熟悉且健全的环境

早期Moonbeam提供的是完全兼容EVM的环境，以允许以太坊开发者能够在Moonbeam上充分产出与构建。

波卡与Substrate功能性

不仅如此，正因Moonbeam作为波卡上的一条平行链，Moonbeam可以访问来自其他平行链的特定功能。通过Substrate的强大功能，从而扩大Moonebam上的功能性。尤其是接下来的平行线程，将允许开发者专注于在Substrate中的自定义逻辑，从而扩张他们智能合约的基层性能。

3 目前的多链方式及面临的挑战

中心化部署 (Centralized Depolyment)

选择一条主要的链进行部署，使用跨链桥来桥接其他链至主链。然而，对于用户体验来说并不好，用户必须使用复杂的跨链桥才能执行操作，但是大部分的用户并非愿意经历这一繁琐的步骤。因此从市场角度来说有局限性。

多实例部署 (Multi-instance Deployment)

在过去的18-24个月，项目开始采用多实例部署这一方式。不再有主链，而是让自身的智能合约、Dapp部署尽可能多的区块链。然而，采用这一方式面临的问题是碎片化/零散化。所有的部署都是独立的，独立智能合约的运行、市场、用户、功能，这些独立的部署互相并不通信。

4 重大创新：通用消息传递（General Message Passing）

通信功能对Connected Contract来说是重要的底层技术创新，允许智能合约在不同的链上可以互相通信、允许不同的链互相通信。

5 Connected Contract用例

接下来我会着重表述一些例子，来解释之前提到的connected contracts的各种用例及其重要性。部分已经部署至Moonbeam，部分仍然在开发中，预计下半年可以部署完毕。

用例1：Lido

Lido是流动性质押协议，目前已经部署至Moonbeam。用户可以在Moonbeam上的Lido存入DOT，换取stDOT（流动的质押状态的DOT）。这背后实现理念跨越了两条链：一套在Moonbeam上的智能合约（Connected Contracts）控制在中继链上的质押功能，Moonbeam环境提供了这套智能合约发出XCM信息的能力，并在中继链上命令和控制质押操作。

用户只需要与一个应用交互。其实背后是有两条链支持这个应用，一条是Moonbeam，一条是专注于质押和治理的中继链。然而用户并不知道与多链进行交互。因此这个场景意味着，当应用Connected Contracts时，用户无需了解背后的复杂机制，他们能够享受到更好的体验。

用例2：Prime Protocol

如之前所说，项目会在多链上进行部署，比如在Moonbeam、以太坊、Avalanche等等。利用Connected Contracts这一理念，项目在多链上的部署不再成为孤岛，而是利用信息（Message）将其连接在了一起。

Prime是DeFi协议。举例而言，用户可以在Avalanche存入资产，资产并没有转移（不是跨链桥的操作），信息传送回Moonbeam上的指挥中心，记录发生的存入。指挥中心能见到所有跨到的链上的动作，因此用户可以去以太坊上取出他们在Avalanche上存入的相应的资产。

这对于目前的碎片化流动性的问题来说是一个很大的进步，比单独部署很多链的项目来说，Prime无疑拥有更大的优势、效率更高。

用例3：目的地与分配中心

Osmosis是Cosmos生态中的采用AMM的提供跨链交易的DEX。通过中间商伙伴Axelar，目前我们正在合作发展一键式在Osmosis的DOT存入。

主要过程为：作为Osmosis的用户将得到一个DOT的存入地址， 存入将会把DOT置于中继链的地址，作为xcDOT转移到Moonbeam上，从Moonbeam转发至Axelar路由，经由路由到达Osmosis，最后组成在Osmosis上的LP头寸。

正如之前阐述的Lido的例子，如果手动去执行以上步骤，又复杂步骤又多。但在这里用户只看到一个存入的地址，使用通过隐藏复杂的步骤，从而提升了用户的体验。

用例4：Centrifuge

Centrifuge是波卡上专注于管理现实世界资产的平行链。其功能允许用户创造资产，但是创造出的资产会存在商业逻辑，这些资产转移至Moonbeam，我们需要白名单（根据规则允许哪些用户转移资产），XCM在此的作用是支持转移，以及从Centrifuge同步白名单至Moonbeam，因此随着资产在波卡生态内转移，这份商业逻辑仍然维持着。

这个例子展示了除了资产转移以外，通过使用XCM，商业逻辑也可以同步在跨链中。

用例5：Uniswap

Uniswap V3选择Moonbeam作为其从以太坊扩展的一个目的地。他们主要面临的挑战是功能性，在上面我也提到过碎片化的功能性。Uni是Uniswap的链上治理资产。他们的需求是希望在所有的远程链部署上进行单一治理管理。

因此构想是使用跨链消息传递（在此由Moonbeam的合作伙伴Nomad支持）来促进满足这个需求。在主链上的Uni持有人可以制定决策。例如，想要变更swap费用，从0.3%到0.5%。变更的决策在以太坊主链上本地规定，消息传递至Moonbeam（和其他部署的链），在Moonbeam上的智能合约将会同样规定这个变更。

因此这就是单一的治理管理能够在所有的部署上进行变更。在多链部署的环境下，无需制定额外的假设，即可执行治理。这个治理也是展示如何使用跨链消息传递以达到统一性的用例。

6 Connected Contract方式的好处

我们团队还有更多的用例正在开发中。我从中能看到：

统一性

如今，项目正在寻求多链发展，以取得更广阔的的市场。能够做到这里，而不用烦恼功能性、流动性的碎片化问题，统一性必定是大势所趋。

高效率

相比独立部署的协议，通过Connected Contract的项目会更具有竞争力以及高效率。

用户体验改善

最重要的一点是把整个跨链故事推向用户体验。通过采用Connected Contract方式，与多链的各自功能结合，从而创造卓越的用户体验。执行的关键点是把复杂性隐藏起来。Web2技术深谙此道，用户并不想要了解数据或是基础设施与什么交互。因此，如果我们越是能够把基础设施隐藏起来，用户体验感就会越好。从我个人角度看，我认为目前用户体验感就是扩大项目采用率的主要阻碍。

以上便是我个人认为的Connected Contract方式和跨链消息传递在Web3技术未来发展中扮演的非常重要的角色。

关于Moonbeam
Moonbeam是一个智能合约平台，用于构建跨链互连应用程序，能够访问任何链上的用户、资产和服务。通过将来自以太坊、Cosmos、波卡等功能整合到一个平台中，Moonbeam解决了当今用户体验碎片化的问题，解锁了真正的互操作性，并为下一代应用程序奠定基础。

Moonbeam平台使用集成的跨链信息传递，允许开发者创建访问多个远程区块链服务的智能合约。通过此方式结合Moonbeam的开发者友好型EVM平台、各类工具支持和Substrate架构，为构建互连应用程序提供理想化的开发环境。

如需了解更多信息，请访问：Moonbeam | Polkadot Smart Contract Platform

更多 Moonbeam 信息 
官网: Moonbeam | Polkadot Smart Contract Platform
微博：Sina Visitor System
twitter: https://twitter.com/MoonbeamNetwork
Telegram: https://t.me/moonbeam_CN
Discord: https://discord.gg/skPfXvJWG7
中文电报群助手：@MoonbeamSister

收录于
Moonbeam

当前文章被收录于：

Moonbeam
382 篇文章 3 人学习
订阅专栏 查看详情
科普文章

当前文章被收录于：

科普文章
64 篇文章 0 人学习
订阅专栏 查看详情
活动相关

当前文章被收录于：

活动相关
54 篇文章 0 人学习

社区活动、活动预告、活动回顾

订阅专栏 查看详情
标签
#区块链 #Polkadot
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。
华为OD机试真题 新系统 2026-04-26 Python&JS 实现【最大化游戏试玩资格分发】 新研发了一台游戏设备可以面向用户接受试玩。现有 n 个试玩申请，每个试玩有开始时间和结束时间。作为协调员，为了能让更多人体验到游戏，你需要对试玩申请进行选择，使得： 阅读详情

相关推荐

基于机器学习和辐射传输的地表温度模拟方法对比

对于不同的地表类型和不同的年份，经验方法是实用的，虽然整体精度不如物理方法，但具有计算速度快、对模型内部结构考虑较少等优点。尽管深度学习等回归的经验方法不需要考虑辐射传输和能量平衡的具体过程， 但在其输入参数的选择上也不能是无序和随机的，而是应选择有关相应物理过程的参数。经验方法在处理不同年份相同地表类型或表现相对较好， RMSE 约为 1.50K，但在不同地表类型且不同年份模拟结果较差， RMSE 约为 3.0K， 虽然精度不如物理方法，但它具有计算速度快，不需过多考虑模型内部结构的优点。

2301_77907355的博客 1019

Substrate 技术及生态6月大事记 | Polkadot Decoded 圆满落幕，黑客松获胜项目为生态注入新生力量

Hi，所有关注 Substrate 技术的开发者们： 「Substrate生态项目技术月报」由 OneBlock+ 出品，每月汇总整理 Substrate 生态各个领域项目的技术进展，本篇为 Substrate 生态项目6月技术月报， Enjoy!

CryptoBuffett的博客 1103

Android各个版本存储权限适配

虽然 Android10 上面提出了外部存储分区的概念，不过之前的版本中，我们只要为应用添加了。1、AndroidManifest添加权限设置。3、拒绝权限时跳转详细设置页面。就可以像之前的方式一样访问手机的外部存储空间。2、请求所有文件管理权限。

sig321的专栏 1844

汇聚顶尖人士，共探生态前沿｜Polkadot Decoded Asia 2024 演讲嘉宾揭晓！

Polkadot Decoded Asia 2024 汇集了来自加密领域的众多演讲者，包括技术顶级的开发者、经验丰富的投资者以及行业领导者。该活动重点关注 Polkadot 生态尖端技术和创新应用，为与会者提供深入的讨论和灵感，目前大会演讲嘉宾已经公布，让我们来一探究竟吧！

CryptoBuffett的博客 866

PCL ICP算法实现点云精配准【2026最新版】

PCL1.14.1 及之前版本所实现的迭代最近点ICP算法。博客长期更新，本文最新更新时间为：2026年4月17日。

点云侠的博客 31万+

Coze 上 OpenClaw 完整使用攻略（零代码 + 24 小时在线 + 飞书 / 微信接入）

Coze（扣子）是目前国内零门槛部署 OpenClaw 最友好的平台，无需服务器、不用命令行，5 分钟即可拥有可执行本地 / 云端任务的 AI 助手，还能一键发布到飞书、微信、钉钉等 IM。

hy行者勇哥的博客 2919

波卡近期活动一览｜ Polkadot Decoded 2024 重磅来袭，300 万 DOT 将用于 DeFi 增长

Polkadot 生态近期活动精彩纷呈，线上线下火热进行中！此外，Polkadot 2.0 的关键升级即将到来，Gavin Wood 博士也将在最新访谈节目中分享更多关于波卡的未来发展蓝图。波卡 DAO 通过提案，分配 300 万 DOT 支持 DeFi 生态发展。OneBlock+ 为你整理了近期波卡生态官方组织的值得参与和回顾的线上下活动及热点动态，赶快来参与并深入了解社区的最新动态吧！

CryptoBuffett的博客 1407

大数据运营可视化：Tableau+PowerBI数据看板搭建教程

当企业数据量从“GB级”跃升到“TB级”，运营人员面临的最大挑战不再是“如何收集数据”，而是“如何让数据说话”。数据看板作为“运营指挥中心的仪表盘”，能将零散的用户行为、业务指标、流量趋势浓缩成可快速解读的视觉语言。本文结合Tableau（自由探索的“数据瑞士军刀”）与PowerBI（微软生态的“组合家具”）两大工具，从需求分析→数据准备→指标设计→视图搭建→ dashboard 组合，一步步教你搭建符合业务逻辑的运营看板。

AI智能探索者的博客 1362

平行链、转接桥和预言机，互操作性如何改变未来？ | Polkadot Decoded

Crust 提供了 Web3 生态系统的去中心化存储网络，支持包括 IPFS 在内的多种存储层协议，并对应用层提供接口。Crust 的技术栈还能够支持去中心化计算层。Crust 旨在构建一个重视数据隐私和所有权的分布式云生态系统。 本文是 Parity 核心开发者 Tomasz Drwięga 在波卡首届社区会议「Polkadot Decoded」上的分享总结。Tomasz 目前在 Parity 负责桥方面的工作，该分享名为「互操作性的未来：平行链、转接桥和预言机」。 先来个小彩蛋：刚好 Gavin..

Crust_Network的博客 502

AI上推荐 之 AutoInt模型(Transformer开始玩特征交互)

1. 写在前面 这段时间做优化模型的事情，正好和特征交互有关系，这个也是推荐系统里面一直探索的一个方向，从浅层模型的FM, FFM, HOFM, FwFM到深层模型的DNN, PNN, NFM, AFM, DeepFM, DCN, xDeepFM, FiBiNet等，而这次正好借着这次机会， 多看一些有关于特征交叉方向的模型paper， 把一些新的模型或者较为前沿的思想融入进来。 上一篇的FiBinet模型就是在特征交互上一个非常有意思的探索， 通过SENET动态选择有用的交互特征， 然后再用一个双线性交互

Miracle8070 5724

SAP Business Technology Platform 支持的技术栈

SAP Business Technology Platform（简称 BTP）是 SAP 提供的一个综合技术平台，旨在帮助企业实现业务转型和创新。BTP 融合了数据库管理、应用开发、集成、分析和智能技术，为企业提供从基础架构到端到端应用的全面服务。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1566

波卡平行链生态一览｜Polkadot Decoded 回顾

Crust 提供了 Web3 生态系统的去中心化存储网络，支持包括 IPFS 在内的多种存储层协议，并对应用层提供接口。Crust 的技术栈还能够支持去中心化计算层。Crust 旨在构建一个重视数据隐私和所有权的分布式云生态系统。 在 12 月 3 日的首届波卡社区会议 Polkadot Decoded 上，Parity 副总裁 Fabi 进行了 “波卡平行链地图 - 生态一览” 的分享，介绍了目前波卡平行链生态的发展情况。以下是 PolkaWorld 从 Fabi 的分享中总结的一些要点。 波卡生态的.

Crust_Network的博客 731

IgH EtherCAT 从入门到精通：第 30 章 实战：高可用 EtherCAT 系统设计

摘要：构建高可用EtherCAT系统的关键技术 本章详细介绍了工业级EtherCAT系统的高可用性设计方法，主要包括： 冗余链路架构：采用双网卡环形拓扑设计，主备网卡同时工作，通过IgH Master的冗余配置实现线缆故障自动切换。 状态监控机制：提供专用API实时监控主备链路状态，包括从站响应数、链路状态和冗余激活标志，形成完整的故障判断矩阵。 自动恢复功能：系统内置FSM架构支持热插拔自动检测和重配置，从站断线/重连时可自动完成状态恢复，同时允许应用层实施安全措施。 这些技术共同构成了生产环境下Ethe

从事嵌入式linux android驱动开发，拥有全栈能力 240

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 329

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

什么是加密货币凭证？

本文探讨了加密货币凭证对数字身份管理的变革性影响，强调了其核心优势，如增强的安全性和即时验证。它通过利用区块链的去中心化技术，解决了与凭证伪造、丢失和低效验证过程相关的问题。读者将了解到加密货币凭证如何在教育、专业认证和医疗等领域提供防篡改和全球可访问的解决方案。文章深入探讨了实际应用，展示了像麻省理工学院、项目管理协会和等组织为什么采用区块链凭证来简化流程并提升信任。

2301_77604523的博客 121

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")

期货合约还有历史K线，就表示现在还能交易吗？

打开以前保存的期货研究资料，某个合约的K线仍能正常显示，过去的价格、成交量也都在。看着熟悉的图，容易顺势觉得：既然还能看，这个合约应该仍可作为当前交易对象。但图里保存的是过去发生过什么，当前合约状态回答的是它现在处于什么生命周期。历史K线仍在，与合约已经下市可以同时成立。对研究者来说，更有用的处理不是在“继续盯它”和“删掉旧图”之间二选一，而是把历史档案与当前关注对象分开。TqSdk提供的合约下市标志，可以帮助把这层区别标明白。

weixin_49134609的博客 173

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

【无标题】

随着区块链技术在数字资产管理、DeFi金融、NFT交易和Web3应用中的不断发展，智能合约已经成为链上业务运行的重要基础设施。智能合约通过预设程序自动执行资产转账、交易结算和业务规则，能够提高业务处理效率，但也面临代码漏洞、私钥泄露、异常交易和恶意攻击等安全风险。对于企业级区块链项目而言，智能合约完成开发、测试和部署，并不意味着安全工作已经结束。

2601_96183616的博客 226

微软技术日报 2026-11-03：冒牌 Claude Code 扩展留后门、Fabric 数据工程 agent 进预览、Access IE 控件定退场

微软安全博客在 10 月 30 日复盘了一起扩展市场供应链事件：一个冒用 Anthropic 名字的 Cursor 扩展，在被下架之前挂了约 11 个小时。它做的事情不复杂，装完之后在你机器上开一条反向 SSH 隧道，留三处开机自启，再把主机信息发回一台固定 IP 的服务器。同一天前后，微软在 Fabric 社区大会巴塞罗那站把数据工程 agent（Project Osmos）放进了公共预览，在乌镇拿了一个奖，Access 团队则给一个用了二十年的浏览器控件定了退场日期。

海盗Sharp的博客 395

期货成交额变大，为什么成交手数反而少了？

比较同一期货合约两个交易日的成交情况，可能看到：成交额比前一天高，成交手数却少了。若把成交额大直接理解成“交易得更多”，这两项看起来就会互相打架。其实，金额和手数不是同一把尺子。手数描述成交数量，金额还包含成交价格及相应计量口径的影响。两者反向变化并不构成逻辑矛盾。用TqSdk整理这类观察，关键不是挑一个看起来更大的数，而是把原始量、额及各自口径留下来，回答不同的问题。

shinnyringo的博客 139

热重分析仪TG 309 Libra Classic

同时供应T3Ster SI热阻测试仪、POWERTESTER功率循环测试设备、LMS振动噪声测试系统、TMA热机械分析仪、DMA动态热机械分析仪、DSC差示扫描量热仪、STA同步热分析仪、TGA热重分析仪、旋转流变仪、LFA闪射法导热仪、热流法导热系数测量仪，面向汽车电子、消费电子、电力电子、新能源、材料领域，提供软件方案、测试仪器、系统集成、设备调试与工程咨询服务。仪器提供多种不同质地、不同尺寸的坩埚以满足试验的需要，包括氧化铝坩埚、铂铑坩埚、铝坩埚、石墨和石英坩埚等。温度范围:RT（10）…

HOLLYSW的博客 199

山寨币与比特币之间的关系

山寨币是“alternative”和“coin”的合成词。简单来说，山寨币指的是除比特币以外的任何加密货币。尽管比特币在市值和知名度方面仍然是最著名和主导的加密货币，但山寨币已经开辟了自己的市场领域，每种山寨币都有其独特的特点、用途和技术创新。自比特币在2009年推出以来，已经创造了成千上万种山寨币，新的山寨币也在不断涌现。

2301_77604523的博客 253

理解Layer 1区块链协议

了解Layer 1区块链协议的基本原理，它们通过管理交易处理、验证和共识机制，作为去中心化网络的支柱。本文揭示了以太坊、Solana、Cardano和Polkadot等领先L1网络的复杂性，突出了它们在可扩展性、安全性和去中心化方面的独特方法。探索工作量证明和权益证明等共识机制如何确保网络的完整性。理解Layer 1与Layer 2解决方案在区块链实用性和可扩展性方面的对比。适合寻求全面了解区块链基础设施的区块链爱好者和科技投资者。

2301_77604523的博客 188

期货复盘选了一个月，究竟覆盖多少个交易日？

复盘表写着“一个月”，不表示里面一定装着整个月的期货样本。月份有多少个自然日、日历里有多少个交易日、你的资料实际覆盖了多少天，是三个不同的数。如果一个月的结果来自完整日期范围，另一个月却少了几天，直接比较总信号数或总盈亏，就可能把样本覆盖差异也算进了策略表现。看月度结果之前，值得把这三个数并列看清。

lisiccwss的博客 130

【量化实战】VeighNa 全图谱：从零到一，由浅入深打通多品种量化

本文系统梳理了VeighNa量化平台的四阶进阶路径：从接口与数据分离（第一阶段），到策略逻辑对齐（第二阶段），再到数据平替与自动化执行（第三阶段），最终拓展至多市场实战（第四阶段）。针对新手常见痛点，提供免费数据源（如AKShare、天勤）、交易规则避坑指南及参数配置建议，强调A股仅支持做多、乘数需匹配品种特性。最后给出可落地的行动路线图，助力用户由浅入深打通全市场量化体系。

qq_72758246的博客 246

美股行情API遇上冬令时：盘前盘后时间怎么对齐？

摘要：负责美股行情页和开盘提醒的产品经理，冬令时切换后需要一起核对交易时段、北京时间和交易日期。本文结合TickDB交易时段、交易日历的真实返回，解释盘前盘后怎样换算，为什么凌晨收盘仍属于美国前一个交易日，并提供时间对照表、可运行换算示例与页面检查清单，处理半日交易等容易遗漏的例外。

2511_94663557的博客 249

1000个量化策略第29例：经典红利低波策略

选股风格偏价值、偏防御（高股息 + 低换手）持仓数量高度集中（10只）换手频率月度风控方式昨日涨停打开即卖 + 停牌保护因子类型基本面+量价，跨类型双因子。

majunfu 250
上一篇： 驾驭EVM和XCM的强大功能，SubWallet如何赋能波卡和Moonbeam
下一篇： 参加Ultimate Harvest Moon活动，立即赢取终极版月光女神NFT
点赞 0
评论 0
书签 书签 0
Web3 MoonBuilder
Web3 MoonBuilder
博客等级 码龄5年 568粉丝 381原创
+ 关注 专栏目录 订阅专栏
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