月报总结｜Moonbeam 7月份大事一览

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 600+累计阅读 611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 2022-08-09 14:36:13 611 阅读 AI 写同款· GEO 优化 ›

本月，Moonbeam基金会推出了Orbiters Program新计划，为收集人参与Moonbeam和Moonriver提供新方式。Moonbeam推出Connected Contracts跨链互连智能合约新概念，作为互连应用程序，构建者可以使用智能合约通过Moonbeam上的可用跨链通信能力实现跨链互通。

Moonbuilders Academy系列开发课程隆重登场，携手Subquery、The Gragh、Chainlink等共同推出入门课程，邀请开发者前来学习，共同打造去中心化的Web3世界。

除此之外，Moonbeam也参加了海内外各类大型活动，让我们一起来看看7月份Moonbeam发生了哪些大事，部署了哪些项目？

#1 Moonbeam & Moonriver 最新进展

Moonbeam Orbiters Program

Moonbeam基金会推出新计划Orbiters Program，旨在维护网络的安全性和去中心化。这是一个收集人轮换计划和收集人参与Moonbeam和Moonriver的新方式。

随着对收集者插槽的需求的日益增加，Orbiters Program允许资源较少的收集人继续参与收集人池，从而有助于维持网络的健康和去中心化。阅读更多

Connected Contract 跨链智能合约

Moonbeam正在通过跨链互连合约为下一代去中心化应用奠定基础。使用互连合约在Moonbeam上构建的应用程序可以通过跨链发送的消息触达来自以太坊、Cosmos、Avalanche和波卡的功能。阅读更多

#2 Moonbeam & Moonriver 新集成伙伴 & 项目

Moonbeam和Moonriver生态最新动态

SubWallet

SubWallet EVM已经正式上线Moonbeam、Moonriver以及Moonbase Alpha测试网！用户现在可以仅使用单一钱包即可质押GLMR或者管理跨链资产。

Laika Labs

构建智能合约请求的开发工具Laika Labs已经对Moonbase Alpha添加支持，开发者现在可以使用Laika水龙头，一站式申请 $DEV 并构建。

Banksea

Banksea推出Banksea API，为Moonbeam和Moonriver上的收藏品提供NFT数据分析和AI评估。此API将包含两个网络上受欢迎的NFT收藏品并提供基础的NFT数据，如价格、交易数据、社交媒体数据、多维度分析和AI评估。

Talisman

Talisman现已完成与Moonbeam和Moonriver的集成。用户可以使用Talisman钱包连接Moonbeam app来管理GLMR和MOVR。

Moonbeam生态最新动态

Osmosis

Moonbeam和Osmosis的跨链集成现已通过Axelar完成，实现两条链之间的一键swap。通过此次集成将波卡和Cosmos两个最大的互操作生态系统连接起来。阅读更多

Prime Protocol

Prime Protocol的DeFi应用程序将统一来自多个Layer1平台的功能，使用Moonbeam作为“大本营”以实现链之间的协调。通过Moonbeam上的互连智能合约，Prime能够允许用户无需通过跨链桥转移资产至Moonbeam，即可借用其他远程链的现有资产组合。阅读更多

SafePal

SafePal已经对Moonbeam添加软件和硬件钱包支持。此次集成允许用户通过SafePal应用程序安全管理GLMR。

Midas

Midas Capital是Tribe DAO生态系统内的一个DAO，将Rari Capital的Fuse池带入兼容EVM的区块链。添加Moonbeam至Midas Capital生态，将帮助用户成为结合广泛的互操作性与构建在强大波卡上的熟悉的以太坊式钱包及地址的环境的一部分。阅读更多

Polka Name System

通过集成将允许用户注册他们自己的.dot域名，以支持智能合约、钱包、NFT及更多。除了在波卡生态内创建去中心化域名以外，PNS聚合了碎片化的线上身份，带钱包地址、数字藏品、出版、DAO参与记录到统一的资料页面。

Rango Exchange

多链DEX聚合器Rango Exchange在集成至Moonriver后，现已集成至Moonbeam。Moonbeam上的用户现在可以在Rango支持的链上执行复杂且高效的多链swap。

Speedboat

通过集成将为开发者带来无代码的Web3工具包。无需撰写任何代码，用户现在使用Speedboat部署自定义智能合约、自动化任务，以及推出dApp。

DAM Finance

DAM Finance将dPRIME Asset Modules (DAM)带入Moonbeam和波卡生态系统。

Rubic

Rubic现已支持Moonbeam，用户可以通过app访问Rubic的跨链swap聚合器功能，或者使用Rubic SDK集成现有的dApp供链上或者多链swap。

Moonriver生态最新动态

Integritee

Integritee通过XCM集成至Moonriver，为其生态系统带来企业级隐私解决方案。Integritee的TEER现已作为xcTEER可在Moonriver的DeFi生态中使用，MOVR也已上线Integritee。阅读更多

PIP Cards

首创NFT卡牌项目PIPS上线Moonriver，用户现在可以通过PIPS网站铸造自己的卡牌。

#3 科普文章

XCM落地了没，看看Moonriver就知道

目前Moonriver网络上的XCM应用已经略见成熟，平行链与平行链之间的集成也正在增加。除外，Moonriver上丰富的DeFi生态也让XC20有更多的玩法，赋予其更大的价值。查看XCM启用至今，Moonriver上的XCM应用以及XC-20资产

Vulture Finance：为什么选择在Moonbeam构建？

Moonbeam原生项目Vulture Finance分析多链现状、波卡的特性、对Moonbeam期待的主要因素，以及XC-20对于Vulture互操作性的机会。阅读更多

Axelar：什么是Moonbeam？可以在Moonbeam上构建什么？

通过Axelar，Moonbeam整合了Cosmos的功能，开发者可以避免碎片化的用户体验，将Cosmos、以太坊和波卡整合到单一平台中。

Axelar通过这篇文章介绍波卡及其平行链网络的工作原理、介绍Moonbeam以及为什么Moonbeam对更广泛的波卡生态系统很重要。阅读更多

驾驭EVM和XCM的强大功能，SubWallet如何赋能波卡和Moonbeam

SubWallet宣布为Dotsama生态系统的EVM平行链提供全栈支持，实现了ERC-20和XC-20管理、NFT处理、MetaMask和XCM之间传输的兼容性以及EVM DApp连接等关键功能。SubWallet究竟如何实现？阅读更多

#4 黑客松 & 开发课程

Boba x Moonbeam黑客松挑战

Boba和Moonbeam共同推出限时黑客松挑战，邀请所有Web3开发者前来参与，争夺$5,000 USD奖金。

波卡黑客松获胜名单公布

第五届Polkadot黑客松创业大赛Demo Day于2022年6月29日在杭州Polkadot Decoded大会期间举行。本次Polkadot黑客松创业大赛依旧人才济济，共收到27支战队报名参赛！

经过2个多月的紧密备赛，20支团队顺利晋级Demo Day。其中，8支晋级Demo Day的团队选择基于Moonbeam开发，享受来自波卡领先多链去中心化应用开发平台的独特优势。阅读更多

Moonbuilders Academy系列开发课程

Moonbuilders Academy是Moonbeam为Web3开发者量身定制的Web3开发学习平台。课程内容围绕最新的Moonbeam和Web3开发知识和实践，包括视频、文字内容、示例代码、线上测验、帖子讨论区、等等。阅读更多

Moonbeam开发入门课程

为了使更多对Moonbeam技术充满热情和好奇的开发者能够参与进来，Moonbeam推出了《Moonbeam入门 — 轻松开始跨链Solidity开发》课程。通过学习本门课程，开发者们可以了解到在Moonbeam、以太坊以及其他以太坊兼容链上的智能合约开发、常用工具、和其它基础知识。

👉 课程链接：https://academy.china.moonbeam.network/courses/ 

SubQuery入门课程

Moonbuilders Academy联合Subquery推出索引入门指南。通过学习本门课程，你将掌握如何建立SubQuery数据源，学习高效链上数据索引，成为一名Web3的数据索引大师。阅读更多

👉 课程链接：https://academy.china.moonbeam.network/courses/ 

The Graph入门课程

Moonbuilders Academy联合The Graph推出索引中文课程。此次课程包含详细的视频讲解，同时附带示例代码演示，按步骤教学链上索引方法。助你快速掌握The Graph索引逻辑和操作流程。

👉 课程链接：https://academy.china.moonbeam.network/p/the-graph-course 

Moonlight builder workshop第二期

The Graph助力Moonbeam的DApps开发。视频回看：https://www.youtube.com/watch?v=Z4D3wMA0z9o

#5 社区活动 & 活动回顾

Athos Finance的DeFi新看法

Athos Finance做客Moonbeam中文社区，就什么是Delta-One、什么是合成资产、与自身其他产品的区别、通证机制等信息进行AMA问答。

Moonbeam中文社区AMA

Moonbeam中文社区经理Yuki与Moonbeam开发者关系工程师Henry为大家分享了Moonbeam和Moonriver生态发展、Moonbeam技术升级，以及回顾了Polkadot Decoded全球大会。

👉 视频回看：www.binance.com/en/live/video?roomId=2105059 

ETHBarcelona

Moonbeam团队作为Silver Sponsor参加第一届ETHBarcelona大会。

ETHCC

Moonbeam团队受邀参加年度最大的欧洲以太坊社区集结EthCC大会。创始人Derek分享了关于结合以太坊兼容性和波卡的互操作性的内容，包括在发展中的和部署的多链用例。视频回看：https://www.youtube.com/watch?v=2v6b6aDdtmc

开发者关系工程师经理Alberto主持了关于Moonbeam上的原生互操作性的研讨会。视频回看：https://www.youtube.com/watch?v=f75E6wClmrk

ParisDOT.comm

Moonbeam参加在法国巴黎举办的ParisDOT.comm，三天的活动涵盖了Dotsama生态中优秀项目组织的会议和研讨会。活动详情：https://parisdotcomm.org/

Morningstar Ventures采访

Moonbeam创始人Derek接受Morningstar Ventures的采访，分享个人从业及创建Moonbeam的背景、Moonbeam的优势及愿景、构建在Moonbeam上的优秀项目，以及下半年Moonbeam主要的发展方向等。文字回顾

Moonbeam创始人解读多链新概念Connected Contract

Moonbeam创始人Derek做客RiRi直播间，回顾Moonbeam及Moonriver上线以来的显著成果、阐述Connected Contract的全新理念及其影响之后的多链及跨链趋势。文字回顾

#6 技术更新

重要递交、修改和发布
运行时1700

  • 添加 nimbus 启动作者身份验证 (#1569, #1516)

  • 为批处理预编译添加嵌套限制 (#1595)

  • 添加存储条目 RegisteredOrbiter 和事件 OrbiterRegistered 和 OrbiterUnRegistered  (#1593)

  • 将修复添加到整理器退出时的清理状态。添加修补程序 extrinsic (#1541)

  • 协调crate名称 (#1580)

  • 为 Moonriver 和 Moonbeam 运行时添加 LengthToFee 更改 (#1579)

  • 测试对外xcmp 队列上限 #1676

  • 为演示/测试VRF预编译添加 Lottery Solidity 合约 #1672

  • 重新设计VRF预编译接口 #1669

  • 修复Solidity测试文件并添加VRF预编译测试#1644

  • 将 accountId 转换为Multilocation时添加中继链网络#1640

  • 重构 PrecompileSet 工具以获得更安全的预编译 (#1601, #1642)

  • 添加 IdentityJudgement 代理类型 (#1597)

  • 确保开发帐户 Charleth、Dorothy 和 Faith 在创世时有资金 (#1634)

  • 添加 Call Permit 预编译（仅限 Moonbase） (#1617, #1648)

  • 升级依赖到 polkadot v0.9.23  (#1622, #1658)

  • 修复预编译质押接口 (#1620)

  • 添加对来自 Xcm 的 Ethereum 调用的支持 (#1641, #1674, #1567)

  • 用锁替换 staking 储备 (#1604)

  • 禁用匿名代理 (#1680)

  • 修复以太坊收据根  (#1678)

  • 添加带有Relay BABE 和本地 VRF 的VRF Pallet(#1376)

技术方案讨论

  • 测试对外xcmp 队列上限 #1676

  • 为演示/测试VRF预编译添加 Lottery Solidity 合约 #1672

  • 重新设计VRF预编译接口 #1669

  • 修复Solidity测试文件并添加VRF预编译测试#1644

  • 将 accountId 转换为Multilocation时添加中继链网络#1640

关于Moonbeam
Moonbeam是波卡网络中兼容以太坊的智能合约平台，可实现轻松构建原生的互操作性去中心化应用。以太坊兼容特性允许开发者以最少的更改将现有的Solidity智能合约和DApp前端部署到Moonbeam。Moonbeam将延续其在Kusama上的姐妹平行链Moonriver的成功，从100多个在网络上构建DApp和协议的项目中积累开发者和用户活动。作为波卡网络上的平行链，Moonbeam将受益于波卡中继链的共享安全性和连接波卡其他链的互操作优势。

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


关于Moonriver
Moonriver是Moonbeam的同行网络，旨在为激励实验提供永久性的测试环境。新上线项目的代码将优先部署到Moonriver，在其真实的经济环境下经历一系列的测试与实验验证。当验证完成并通过测试之后，项目代码才可正式部署至波卡上的Moonbeam。

如需了解更多信息，请访问：Moonriver - Solidity Smart Contracts on Kusama

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
Moonriver

当前文章被收录于：

Moonriver
161 篇文章 1 人学习
订阅专栏 查看详情
月报总结

当前文章被收录于：

月报总结
28 篇文章 0 人学习
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。
电机瞬态分析基础（2）：理想电机的基本假设和正方向规定 电机瞬态分析基础之理想电机假设条件和正方向规定 阅读详情

相关推荐

AM243x多核MCU启动流程解析与OSPI Flash烧录实战

嵌入式系统开发中，引导加载器是芯片上电后执行的第一段软件，负责初始化硬件、加载操作系统或应用程序。其工作原理通常遵循多级引导链，从ROM固件到用户可定制的二级引导程序，逐级建立完整的软件运行环境。这一机制的技术价值在于实现可靠的系统启动、支持安全校验，并为多核异构架构提供协同基础。在应用场景上，引导加载器广泛应用于工业控制、汽车电子和物联网设备，确保设备能从非易失性存储器中自主启动。本文聚焦于TI AM243x这类高性能多核MCU，深入剖析其包含RBL和SBL在内的三级启动流程，并详细演示如何通过UART接

weixin_28703451的博客 582

「务必请自行研究」首个多链 dex 聚合器，rango Exchange，值得关注

在这里声明下，项目纯属我自己个人的研究，还请各位群友，粉丝，在跟着教程操作之前，一定要做好相关的研究，不管是百度，谷歌，推特也好，一定要做好相关的研究，谨防上当受骗。而且我的话也不能百分之...

人生代码 ---- 公众号 1073

libfacedetection 框架阅读及扩展经验

libfacedetection 框架源码解析与扩展心得1. libfacedetection 框架简介2. 源码解析2.1 facedetectcnn.h2.2 facedetectcnn.cpp2.3 facedetectcnn-model.cpp3. 其他层的扩展--depthwise convolution 前段时间因为工作需要，对libfacedetection框架做了些扩展，在阅读源...

weixin_42616332的博客 1500

Notebook Navigator常见问题解决：从安装到使用的全面FAQ

Notebook Navigator是一款功能强大的Obsidian插件，它能将默认文件浏览器替换为简洁的双窗格界面，包含文件夹树、标签浏览、文件预览、键盘导航、拖放功能、固定笔记和可自定义显示选项。本FAQ将帮助你解决从安装到日常使用中可能遇到的各种问题，让你更高效地管理和浏览笔记。 ## 安装相关问题 ### 如何正确安装Notebook Navigator？ 安装Notebook Nav

gitblog_00744的博客 747

一。CST 电路 微带低通滤波器设计练习 I

CST 电路和系统软件功能还是比较强的，我们一起一步一步学习，一起进步。 这个例子出现在CST的电路和系统软件功能（Circuit Simulation & SAM (System Assembly and Modeling) ）介绍资料中。本文是用CST2021建模操作仿真到，不同版本在视觉和结果上稍有不同。 利用电路模块可以很快很准确地建立3D微带平面电路，用于仿真滤波器、功分器、巴伦等等。

麦克斯韦信徒的博客 3235

【高级强化学习：算法、优化与泛化】第13章 扩散模型策略优化（Diffusion Policy Optimization）

\quad$ 计算均值 $\mu_t = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1 - \alpha_t}{\sqrt{1 - \bar{\alpha}_t}} \tilde{\epsilon} \right)$.$\quad$ 组合得分估计: $\tilde{\epsilon} = \epsilon_{\text{unc}} + w \cdot (\epsilon_{\text{con}} - \epsilon_{\text{unc}})$.

u012133341的博客 336

币安Binance 孵化项目 safepalwallet BSC空投活动

进入飞书文档链接查看https://v3m0vzf1tz.feishu.cn/docs/doccnYy2XOVWKdEGQiwTzpC4dod?from=from_copylink

github_37307603的博客 1934

ICP-10111气压传感器原理图设计，已量产（压力传感器）

在最近的室内导航定位项目中，我们需要一款能捕捉厘米级垂直高度变化的气压传感器 —— 毕竟室内环境里，哪怕是单个台阶的高度差都得精准识别。对比了几款器件后，最终选定了 ICP-10111：它 ±1Pa 的压差精度刚好能把高度差分辨到 8.5cm，0.4Pa 的低压力噪声能让数据输出足够稳定，再加上 0.5Pa/℃的低温漂特性，长期工作的可靠性也能满足需求。下面聊聊这套适配 ICP-10111 的硬件电路设计细节。

不脱发的程序猿 333

月报总结｜Moonbeam 6月份大事一览

本月，，在未来两年内都将保持活跃！历时一个多月仍在如火如荼地进行着，从深入研究赛题的Workshop到解答疑惑的Office Hours，黑客松让BUILDers在有趣的竞争环境中探索Moonbeam的互操作功能和创建跨链应用！除此之外，Moonbeam也参与了2023夏季波卡黑客松大赛和ETH Shanghai，开设黑客松命题，助力开发者构建！Moonbeam在社区治理方面依然相当活跃，正处于提案提交阶段，同时多项投票开放，充分吸收社区意见。经过10周的加速孵化，入选。

Moonbuilder的博客 602

《ESP32单片机基础入门》第2章:开发环境搭建

【代码】《ESP32单片机基础入门》第2章:开发环境搭建。

2301_79143213的博客 579

YOLOv5改进之---EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU

本文主要针对yolov5的iou损失函数进行改进，主要涵盖EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU这几种损失

qq_41920323的博客 1464

月报总结｜Moonbeam 9月份大事一览

本月社区首先发起了针对基金会分配grants计划的提案，旨在提升透明度与社区参与度。

Moonbuilder的博客 621

PCL RANSAC拟合分割多条直线【2026最新版】

使用RANSAC算法拟合分割多条直线，输出每一条直线的拟合参数到控制台，并保存直线点云到本地文件夹。博客长期更新，本文最新更新时间为：2026年5月24日。

点云侠的博客 7974

月报总结｜Moonbeam 8月份大事一览

本月，Moonriver庆祝上线一周年，总结过去一年的成就并展望未来。Moonbeam通过新增LayerZero扩展其互操作性能力。

Moonbuilder的博客 549

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

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 120

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")

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 327

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

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 170

【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 198

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 251

【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 244

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 129

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 248
上一篇： Moonbeam团队发布针对整数截断漏洞的紧急安全修复
下一篇： Moonriver与Shiden的XCM集成现已上线
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