Moonbeam生态的项目想申请上百万GLMR做激励，你怎么看

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 300+累计阅读 338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
转载 最新推荐文章于 2026-11-09 23:23:03 发布 338 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

继@TheTeriyakiDon发起的Interim Grant Program提案通过社区公投后，项目方团队们似乎明白了一件事：想要获得更多社区支持，赶紧发布社区提案！

上周起，Moonbeam生态项目方已经陆续发起Grant申请提案。作为社区的主人，是时候该发挥你们的作用了！

我会持续整理和翻译正在讨论的提案，供大家阅读：

StellaSwap Ecosystem Grant Proposal

StellaSwap在Moonbeam社区提交了第一份关于grants申请的提案。该提案为接下来的6个月的激励做grants申请。

6个月的grants分为两个阶段，前12周：2022年10月5日-2022年12月21日（申请5,385,600 GLMR）及后12周：2022年12月28日-2023年3月15日（申请2,448,000 GLMR）


StellaSwap计划前12周的第一个月将启动激励计划，开始为生态系统建立流动性。在流动性建立基本完成后，将会加大分配GLMR。在后12周，GLMR分配将会降低。其中预期TVL和奖励是根据StellaSwap过去的经验所立。关于计划的激励池中出现的USDC.wh、wBTC.wh、ETH.wh等，团队也分别阐述了理由。

详情查看提案页面：https://moonbeam.polkassembly.network/grant/192

目前，讨论阶段已经结束。在这里节选了部分赞成和质疑的反馈供大家参考：

@VduL...MJMi

“在Nomad事件发生之后，我认为我们需要新的grants来吸引TVL和新的用户，作为Harvest Moon再生版。我密切关注StellaSwap的发展，他们一直在构建。我认为这个grant将能发挥很大的作用。”

@orge44444

“这对于Moonbeam运行来说是一个非常大的提案。将给到Moonwell必要的流动性，并且拿回lending。也将为Moonbeam带来新的用户。我认为提案的TVL可能还是低估的。这个提案主要是在Wormhole上，Wormhole自己是行业最大的且最有声誉的区块链之一，拥有强大背景支持，和每个生态里面的基本支持。”

@theteriyakidon

有几个细节需要项目方再阐述：“提案中提到的7个交易对，目前只有一对是在StellaSwap上提供的。我认为在申请这些流动性激励之前，上架这些交易对比较好。对了解为这些交易对提供流动性有多少兴趣设立一个标准线。另外，对于Moonbeam上的新的跨链桥必须要谨慎，因为提案中大部分提到的都是Wormhole，如果这个桥被黑，会暴露在危险中。如何减少危险？”

@moonbeamstrong

“我担心你们团队以前发生的事情，你们公开多次承认在自己的nomad池子（主要的GLMR激励池）中团队遭受了巨大损失。我的问题是这个grant会不会用在团队自己身上而不是用来吸引新用户……我更想看到这些奖励给与构建者而非资助TVL，这个计划没有市场方案，在我看来只会让GLMR贬值。”

Moonwell Artemis Grant Proposal

Moonwell也针对grant发表了自己的提案，旨在增加活跃用户、TVL和流动性。在grant申请中，Moonwell提出在接下来的6个月中申请1200万GLMR的预算，与生态内的领先DEX合作（比如StellaSwap）做出流动性激励计划。

6个月的计划分为两个阶段，前12周：2022年10月5日-2022年12月28日（申请2,534,400 GLMR）及后12周：2022年12月28日-2023年3月22日（申请1,632,000 GLMR）

计划分为阶段一（4周）：建立Wormhole的流动性，例如USDC.wh等；阶段二（8周）：假设已经有充足的流动性的情况下，推出市场，添加激励；阶段三（12周）：降低奖励，以达到DEX和Moonwell申请grant的预算在1200万以内。奖励仍然适用于原生的GLMR、xcDOT、xcUSDT和FRAX，以及来自Wormhole的桥接。

详情查看提案页面👇

https://moonbeam.polkassembly.network/post/196

目前，讨论阶段已经结束。在这里节选了一些反馈供大家参考：

@theteriyakidon

有几个细节需要项目方再阐述：多少$WELL将在这6个月活动中分发？是否有借和贷分别的激励方式，哪些Token可以收到多少流动性激励？是否有大概预期的TVL？等等

@fortheecosystem

“……这个提案已经偏离了去中心化。将权利转交给少数人去决定。如果未来激励分发，将迫使用户使用Wormhole……如果我们看一下其他的桥也有一些比较好的选择……”

Relay Chain Liquidity Catalyst Grant Proposal

作为一站式的跨链桥协议，Relay Chain同样也在Polkassembly上提交了一份提案申请新的Grant计划。此Grant提案将用于发展此后六个月的协议发展，其总共申请2,460,000个GLMR使用。而6个月的Grant将会拆分为两个层面激励用户，分别为激励流动性提供者和举办跨链活动。

激励流动性提供者

Relay Chain将会使用Grant激励流动性的提供者，流动性将会专注于提升Moonbeam和Moonriver两条链上的流动性，并以USDT、USDC和ETH作为提供流动性的激励。目标为在链上的每个交易对达到约200万至300万美元的深度以及流动性。Grant激励将会分为三个阶段执行，首个月提供487,500个GLMR的激励，第二至四个月提供1,087,500个GLMR的激励，第五至六个月提供450,000个GLMR的激励。

除外，这部分提案也有几个要注意的地方。如果Relay Chain在Grant没有用完即达到规划的目标，剩余的Grant将会持续用于其后的激励，不会进行归还。同样，最后两个月Relay Chain将依据情况，使用跨链收益和剩余的Grant开启双倍激励以达到流动性目标。

跨链活动

Relay Chain将会使用435,000个GLMR的资金举办跨链活动，提升交易量和流动性深度。总共有三类活动，分别为质押活动、交易活动以及社群竞赛。

质押活动共有两个，两者皆与质押排名相关，一个需要在池子中排名前15，一个需要排名前3，方能获得活动奖励。交易活动的资格则相对简单，其中一个活动仅需要在Moonbeam和Moonriver上进行跨链活动即有机会获得GLMR激励，但另外一个活动则需在跨链交易数量榜上排名前30方能获得奖励。最后则是社群竞赛，规则简单明了，获得最多互动、分享的内容将会夺得Grant激励。

详情查看提案页面：https://moonbeam.polkassembly.network/grant/197

由于Relay Chain在近期刚修改过其提案，因此社群讨论较少，此处将不附上。

QiDao Protocol Grant Proposal

QiDao为Moonbeam上唯一一个由原生支持的稳定币协议，其通过抵押如WGLMR等发行稳定币MAI。为提高MAI的用例以及使用比例，QiDao也在Polkassembly上发布了申请本次Grant计划的提案。

QiDao预计共申请250万个GLMR作为激励，其发展计划也分为三个阶段，第一阶段（10/5-11/2）将会专注于在DEX上面打造MAI的流动性，第二阶段（11/2-12/28）将会使用150万个GLMR通过各方面来激励MAI的采用，第三阶段（12/28-隔年3/22）将会使用剩余的100万个GLMR每周进行激励。

详情查看提案页面：https://moonbeam.polkassembly.network/post/201

萌新个人认为QiDao的提案较为模糊，留言区也有社群成员询问为何QiDao目前MAI仅仅铸造价值5000美元的数量，期待看到更多QiDao将如何在Moonbeam生态发展MAI的规划。

@validator002

“我认为你要求的太多了，我查看StellaSwap上面的MAI数量，当前仅仅铸造了$5000，代表在Moonbeam上根本无法做任何事情。在此提案中我看不到任何在网络中应用MAI的地方，USDT和aUSD或许会是个更佳的选择。”

如何通过Polkassembly参与链上治理

Polkassembly是一个允许任何人参与Moonbeam链上治理的开源平台。用户可以根据需求，在用户友好型界面浏览链上提案、公投和财政库请求，甚至可以发起提案，或者根据现有提案发表个人的想法/观点。另外，还可以实行Token持有者的权利，为自己支持的提案进行投票。

除此之外，Polkassembly上专设Grants一栏，以便大家查看现有Grants提案，包括发布时间以及评论数量。

想要参与链上治理，如参与讨论、给提案投票或者附议提案，首先需要注册一个账号。目前，Polkassembly支持多个钱包，包括Polkadot.js、Talisman和MetaMask（也支持Ledger、Trezor和其他与MetaMask兼容的钱包）。

*请注意，在质押中的GLMR/MOVR也可用于参与治理投票。


Moonbeam贴心地为大家准备了手把手的中文版治理教程。另外，还有一个简短的中文版视频教程供大家观看学习👇

https://www.youtube.com/watch?v=airFzIHrYHA

* 本文作者：想做KOL的社区萌新。文章内容为个人整理，仅供参考。

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
投稿文章

当前文章被收录于：

投稿文章
23 篇文章 0 人学习
订阅专栏 查看详情
标签
#区块链
原文链接：https://medium.com/moonbeam-%E4%B8%AD%E6%96%87/moonbeam%E7%94%9F%E6%80%81%E7%9A%84%E9%A1%B9%E7%9B%AE%E6%83%B3%E7%94%B3%E8%AF%B7%E4%B8%8A%E7%99%BE%E4%B8%87glmr%E5%81%9A%E6%BF%80%E5%8A%B1-%E4%BD%A0%E6%80%8E%E4%B9%88%E7%9C%8B-45c1d7797d1>
[Web3] 基础第2篇: 区块链发展史与区块特性 区块链的结构*图：区块链的链式结构示意，多个区块依次相连*由很多区块组成一个链式结构，区块与区块直接可以通过某种特殊的方式链接起来区块链里面的真实结构*图：区块之间通过哈希互相连接，当前区块记录上一区块的哈希*由很多区块组成一个链式结构，区块与区块直接可以通过区块 hash 互相连接起来，当前区块里面有上一个区块 hash, 这两个 Hash 是相等，若不相等，说明区块链发生了分叉。这里补充一个直观的理解：把每个区块想象成账本的一页，页眉都抄录了上一页的指纹（哈希）。 阅读详情

相关推荐

【前端HTML生成条形码——MQ】

本文将展示前端HTML如何根据用户输入内容生成对应的条形码，附HTML和JS代码。代码如下（示例）：

weixin_42588676的博客 1955

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 198

ArcGIS基础实战：面数据拓扑创建和错误修改全流程

通过下图的操作我们可以发现，图层的【Shape_Length】和【Shape_Area】字段的数值都发生了改变，表明两个图层重叠的那一部分图斑合并到另一个图班上，其面积会减小、长度会变大（自己重新计算一下也可以得到此验证结果的）。如图【拓扑实验结果】文件夹里右键，新建【文件地理数据库】，并进行命名为【xx拓扑检查】备注：养成良好的命名习惯。然后在【xx拓扑检查】下右键打开【新建要素数据集】，并对数据集进行命名为【XX拓扑】，然后进行下一步设置。在【KK拓扑】数据集上右键，新建【拓扑】。

yuanYW7556的博客 1万+

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 362

看我如何用kali实时截获隔壁"小姐姐"的上网隐私(结尾有彩蛋)

看我如何用kali实时截获隔壁"小姐姐"的手机图片等信息(结尾有彩蛋哦) 首先圈下重点：《刑法》第二百八十五条　【非法侵入计算机信息系统罪；非法获取计算机信息系统数据、非法控制计算机信息系统罪】违反国家规定，侵入国家事务、国防建设、尖端科学技术领域的计算机信息系统的，处三年以下有期徒刑或者拘役。违反国家规定，侵入前款规定以外的计算机信息系统或者采用其他技术手段，获取该计算机信息系统中存储、处理或...

SoulCat 2万+

告别复杂模型：用UFLD算法5分钟搞定车道线检测（附Python代码）

本文介绍了UFLD(Ultra Fast Lane Detection)算法在车道线检测中的高效应用，仅需5行核心代码即可实现实时检测，特别适合边缘计算设备。通过对比传统方法，UFLD在推理速度、模型大小和硬件需求上具有显著优势，是深度学习领域轻量级解决方案的典范。

weixin_27872611的博客 287

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 130

UE5多人联机实战：从零搭建LAN游戏房间（含UMG界面配置）

本文详细介绍了如何在UE5中从零开始搭建一个完整的局域网（LAN）多人游戏房间系统。内容涵盖项目基础配置、UMG主菜单设计、会话创建与搜索的核心实现，并重点解析了创建会话的关键参数配置与常见陷阱，帮助开发者快速掌握UE5多人联机开发的核心流程。

weixin_29001683的博客 690

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 182

RK3588, FFmpeg 拉流 RTSP, mpp 硬解码转RGB

RK3588, FFmpeg 拉流 RTSP, mpp 硬解码转RGB

J。 2339

SAP RAP学习系列合集介绍

《SAP RAP学习系列合集：从入门到部署的完整指南》摘要： 本文介绍了作者创建的SAP RAP学习系列合集，涵盖RAP开发从基础概念到实战部署的全流程。系列目前包含17篇文章，系统讲解了RAP核心开发技术：从数据建模、UI构建到行为定义（包括并发控制、草稿功能、授权验证等），最后详细演示了应用部署到Fiori Launchpad的两种方案（OP版和ES版）。

DeveloperMrMeng的博客 1490

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 224

干货｜C#上位机与西门子PLC的Profinet协议通信开发（工控机版）

文章摘要： Profinet是西门子主导的工业以太网协议，支持实时通信（RT/IRT），广泛应用于PLC与工控机通信。本文聚焦C#上位机通过S7协议（集成于Profinet接口）高效访问西门子PLC（S7-1200/1500等），提供完整开发方案： 协议基础：解析Profinet三层架构（TCP/IP层、实时层、应用层），对比S7协议优势（开发便捷、跨平台）； 开发实践：基于S7NetPlus/Snap7库实现数据读写，涵盖DB块、I/O点等地址规则； 环境配置：工控机（Windows/Linux/统信UO

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1213

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 430

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

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 142

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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 194

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 135

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 127

【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 271

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 266

从 NEAR Intents 事件看 NEAR 智能合约安全

2026年9月29日至10月1日，攻击者利用NEAR Intents存款退款处理中的校验缺陷，通过填充代币和恶意receiver合约触发超额退款请求，使回调失败后内部余额未被撤销，造成缺乏资产支持的可花费余额。攻击者据此从BNB Chain上的HOT Bridge金库七笔提现共转出3,865,021 USDT。项目方于10月2日部署修复、10月7日移除存款通知功能，并于同日宣布资金全额归还，后续事后报告确认受影响用户已获补偿。

BlockSec的博客 260

【量化实战】VeighNa 闭环：SimNow 期货接入与实时交易

本文详解VeighNa（vnpy）接入SimNow虚拟期货盘的实战流程：通过定制run.py启动核心模块，确保策略能读取历史K线并连接真实行情。重点验证策略在实时仿真环境下的发单、持仓、平仓链路是否通畅，强调SimNow“真行情、假资金、简化撮合”的特性，提醒用户仅用于逻辑测试，非成交质量验证。附踩坑指南，涵盖数据缺失、登录失败、限价单不成交等常见问题及解决方案，助力高效完成从回测到实盘仿真的过渡。

qq_72758246的博客 343

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 135

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 138

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 48

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 143
上一篇： Moonbeam：由开发者制作，为开发者而生
下一篇： Moonbeam Orbiters Program：为收集人参与Moonbeam和Moonriver提供新方式（更新版）
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