Contentos 项目评级:B ,展望稳定 | TokenInsight

加密货币 API 推荐 - 如何使用 TokenInsight 的加密货币 API? 加密货币数据 API 的推荐与使用教程,帮助你获取加密货币,比特币,以太坊,狗狗币的实时数据,历史数据,还有交易所的历史数据获取。 阅读详情

Contentos是一个以区块链技术为基础打造的数字内容公链。希望让每个人通过创作,永恒地记录自己的数字轨迹;赋予每一份创作和每一个数据应得的权力和价值,创造一个更加公平开放、健康有序的全球内容生产、确权、推广、分发以及交易的大环境。

 

Contentos的内容体系最终将会包括:账户体系、内容发布系统、版权登记、创作者认证、点赞评论转发、搜索组件等模块。致力于解决内容产业目前三大痛点:收入分配不合理;无用的信用体系和数字内容无法精准确权。

 

随着5G的到来,内容产业正在面临巨大的机会和挑战。Contentos是否能够抓住机会在内容创作、推广和分发中找到适合的商业模式,在行业中取得更大的影响力,需要时间来证明。

 

新技术给内容产业带来的改变和机遇值得全行业的关注,未来产业发展的新生态值得期待。

 

综合考虑,TokenInsight对 Contentos 的评级为B,展望稳定。

 

 

 

1. 项目简介

 

Contentos是一个以区块链技术为基础打造的数字内容公链。希望让每个人通过创作,永恒地记录自己的数字轨迹;赋予每一份创作和每一个数据应得的权力和价值,创造一个更加公平开放、健康有序的全球内容生产、确权、推广、分发以及交易的大环境。

 

Contentos正在自主研发适合内容产业需求的底层公链,通过saBFT(Self-Adaptive BFT)共识机制,期望达成秒级交易确认、零交易成本。持续开发的公链将更加适合直播打赏、评论、点赞等内容社区高频互动需求。2019年3月底Contentos开始公链测试,正在逐步导入实际用户,不断验证生态奖励机制模型和用户承载性能。

 

作为一个非盈利基金会运行的去中心化体系,Contentos的根本目的是服务大众。希望将内容创作者和体系参与者的价值最大化。此内容体系最终将会包括:账户体系、内容发布系统、版权登记、创作者认证、点赞评论转发、搜索组件等模块。围绕体系需求Contentos打造三个重要的基础设施:

 

去中心化的数字内容体系:利用区块链技术分布式存储的特点构建去中心化内容协议。该协议允许内容创作者无需通过中心化平台渠道分发获利,直接与消费者和广告商联系,实现内容的自由生产、存储、推广和分发。

 

交易及金融体系:创建平台数字资产钱包,发行官方加密代币COS用于平台生态内的一切交易,包括虚拟礼物交易打赏、广告变现、数字内容交易、生态内的支付购买等。买卖双方通过智能合约自动完成买卖行为,无需第三方中介机构参与。

 

社交网络:在内容体系上打造社交网络,以内容连接所有人,进行内容的分发传播,并通过打赏、收益分成引进内容合伙人,配合信用评价体系,使每个用户都需要对自己的行为负责,让整个内容社区进行有序的互联互通。

 

目前在Contentos生态中的用户角色可以分为内容生产者、内容分发者、内容消费者、社区运营者、技术开发者和记账者。各个参与者均可以作为任意一个角色参与生态建设,每个节点权利平等,每个用户可以承担多个不同角色。

 

在有效的身份认证、版权保护、信用评级基础上,利用运行在CVM(Contentos Virtual Machine)上的智能合约和持续开发的存储机制,打造一个全球范围的数字内容公链。Contentos已经完成了充分的I/O数据存储系统,为了不造成存储负担,Contentos并不会将所有信息上链,而是选择将证据数据上链。

 

Contentos期望成为不只是承载内容或是广告价值的公链,而是记录每个人曾经存在过的记忆之链。

 

 

 

2. 行业痛点和Contentos的解决方案

 

随着移动互联网和智能设备的普及,文本、图片、音乐、影片等生产和传播发生了质的改变,催生出一个蕴含着巨大商机的新领域:内容产业。以Facebook、YouTube、Twitter等为代表的数百亿甚至千亿市值的互联网中心平台,控制着数字内容的访问、分发和传播。同时看似理所当然地获得这些以用户数据为基础而取得的收益。

 

区块链技术的出现使人们能够重新开始审视这些中心化内容平台的商业模式。总结起来目前内容产业的痛点主要有以下三点。

 

2.1 行业收入分配不合理导致内容产业整体恶性循环

 

用户不会因为喜欢一个分发平台就喜欢平台上的内容,所以内容产业中最关键的部分理应是内容创作者。目前创作者、消费者和广告商之间存在中心化的平台和渠道。这样的中心化模式导致两个问题:

 

首先,创作者只能处于行业的边缘位置,无法直接触达消费者和广告商,创造出的价值被中心化平台和支付渠道抽取绝大部分,创作者无法清晰的知道自己创造的真实价值。

 

其次,中心化平台天然是根据收益进行流量分配,这样一方面导致生产者为了获得较大的流量刻意迎合平台,另一方面新兴生产者因为得不到流量支持,更加难以创造出新内容。这两者相互作用,使得内容产业有内容质量整体下降和同质化趋势,也让用户们无法真正获得属于自己的个性化内容,只能获得以平台为出发点定制的个性化。

 

Contentos的解决方案:去中心化的流量和收益分配。

 

Contentos的流量分发是去中心化的。分销商、社区运营者和普通用户分发者等,以自身力量帮助平台生态自然运转。其中社区运营者可以通过对内容进行分类、标签化、评价等方式对内容进行描述,通过大量的运营者,最终将形成对内容客观准确的定位和评价。随后再根据人工智能对内容和用户进行个性化匹配。分销商则更加专业的通过对目标受众的分类,实现内容的精准投放。普通用户通过点赞、评论和转发等行为,对内容的社会化分类贡献流量和热度。

所有劳动在Contentos生态中的价格都公开透明。无论是内容创作者提供的内容价值、传播者参与的劳力价值,还是广告或版权流转的价格,都会以完全公开的

公式计算后写入区块链当中。

 

2.2 无用的信用体系导致侵权和网络暴力频发

 

互联网上的评论、点赞、分享等数据都不公开透明,用户无需为自己的虚假评论甚至恶意中伤承担责任,网络暴力屡见不鲜。

 

Contentos的解决方案:无法篡改的信用体系。

 

利用区块链无法篡改的特点,在Contentos中发布的内容:包括所有文本、图片、音乐、影片;各种互动行为:包括评论、点赞、转发等,都会实时上链,将不再能够被更改。Contentos将设置信用体系以改善传统不透明的内容产业体系。用透明的信用体系将用户生产的内容质量、互动行为等记录在链。只有做出积极诚实的行为,才可以提高信用等级,获得更多收入和公信力。用户的信用等级作为平台生态重要的参数,将会关系到用户的收入。以此通过自驱力促使所有用户共同创建一个健康透明的内容创作环境和有序的评价体系。

 

2.3 数字内容无法精准确权导致侵权行为多有发生

 

互联网世界的海量数字内容确权问题长期存在。各个中心化平台相互独立、交易错综复杂,导致很难追溯版权流转;惩罚机制不明确,侵权行为和版权纠纷多有发生。

 

Contentos的解决方案:非实物物权的确权、交易和存证。

 

利用区块链的可信数据和无法篡改特性,明确内容版权所属人并跟踪版权流转,在链上实现版权登记和原创内容声明。二次创作等行为也会被记录在区块链上。

 

 

 

3. 挑战与机遇

 

 

 

3.1 平台智能合约的定价机制是否有效

 

个性化定制内容点燃了互联网上第一次内容产业的红利爆发。定制能够产生价值的基础是数据粒度足够精细,如此才能够精准制定基于每个人的智能合约。所以未来Contentos的智能合约机制能否经得起市场考验,还需平台运营一段时间再做判断。

 

 

 

3.2 内容产业与5G结合的行业新生态

 

随着5G时代的到来,内容产业将会遇到更大的机会和挑战。Contentos是否能够抓住5G到来的机会在内容创作、推广和分发中找到适合的商业模式,在行业中取得更大的影响力,都需要时间来证明。新技术给内容产业带来的改变和机遇值得全行业的关注,未来产业发展的新生态值得期待。

 

 

 

4. 技术框架与通证经济

 

Contentos公链采用DPoS共识机制,引入saBFT (Self-Adaptive BFT)机制期望进一步提升服务器速度。Contentos系统拥有完善账号权限等级和授权管理功能,提供基于JSON RPC的接口服务,支持前端应用通过HTTP、HTTPS或Web socket接入。

 

 

 

4.1 技术架构

 

Contentos技术架构分为三层:协议层、业务层和应用层。在协议层,Contentos以STEEM为基础架构进行改良开发,借鉴STEEM+IPFS+跨链进行互补,增加侧链属性,从而实现对其他公链进行跨链操作。业务层采用区块链+人工智能审核形式,奖励用户进行内容审核。在应用层,通过打包好的业务层APIs发展基于Contentos内容公链的社区,封装开发人员开发的各种组件和扩展功能。

 

图表4-1 技术架构

 

来源:Contentos白皮书

 

4.2 共识机制

 

Contentos基于BFT实现智能的、动态调整的共识算法saBFT。该算法有三种共识模式:线性模式、及时模式和混合模式。Contentos共识模式是组件化设计,支持热插拔,可定制、可配置为智能动态选择。在智能选择模式下,智能算法根据整个网络算力、带宽、交易待确认量等因素智能选择最合适的共识模式。

 

 

 

4.3 通证经济

 

2018年6月13日Contentos基于Ethereum发行通证共100亿枚,通证简称COS,为Contentos生态系统内生产消耗的主要计价单位。

 

COS原则上不增发,35%创作挖矿结束(预计12年)后,若为生态发展确有增发需要,届时由基金会发起BP投票决定。

 

具体通证分配比例如下图:

图表4-2 通证分布

 

来源:Contentos白皮书,TokenInsight

 

图表4-3 通证使用情况

 

 

 来源:Contentos白皮书,TokenInsight

 

COS通证目前的应用场景有:

 

生态内用户间交易:包括打赏主播、创作者视频订阅、粉丝赞助网红(目前已上链的PhotoGrid照片社群中,已经实现使用COS赞助照片创作者功能,并已将交易数据上链记录);还包括Contentos生态中的广告位购买,广告位包含广告主的推广广告和创作者想要推广的自创内容,目前在Contentos.io内容聚合网站上的头部推广位置将需要广告主或者创作者付出COS后才能获取曝光。

 

智能合约燃料:智能合约的运行需要有足够的能量值,这些能量值可通过COS获取。

COS可锁仓转换成Contentos Power(CP):类似Steem生态中的Steem Power,用户将来可以把COS代币质押转换成CP。拥有的CP越多,评论或按赞创作内容时的权重越高,创作者获得的生态奖励越多。Contentos正在不断优化CP功能,完善背后的经济模型,以避免老用户话语权过重,新入场用户没有话语权的问题。

 

 

 

4.4 代码情况

 

Contentos公链代码完全开源于GitHub,测试网的链上交易数据也可用于Contentos区块链浏览器中实时监视,开发者社区可以很容易提出优化建议和进行安全性检验。

 

通过对GitHub中的代码检测可见,Contentos项目代码量和代码功能符合进度。自2018年10月,Contentos的代码提交量维持在较高水平,最高峰达到一周158次,每周平均提交48次。代码提交频率较高。

 

图表4-4 GitHub代码提交情况

 

 来源:GitHub.com

 

 

 

5. 项目进程

 

Contentos 项目进展顺利,测试网共有五个版本,v0.1 和v0.2于2019年上半年上线,剩余三个版本在2019年下半年逐渐推出。同时,Contentos 计划将于2019年9月正式发布内容公链,正在进行测试。Contentos 暂未披露2020年之后的项目计划。

 

目前测试网进展良好:链上已有超过4000DAU,总创建地址数超过53000;已接入4个DApp;每日链上平均TX超过3万5。

 

图表5-1 路线图

 

来源:Contentos白皮书,TokenInsight

 

 

 

6. 团队、合作与投资机构

 

 

 

6.1 团队信息

 

目前Contentos共有成员45人,其中开发团队25人、管理团队5人、市场团队10人、其他团队5人。开发人员占团队人员总数的56%,比例较高。此外,还包括顾问团队4人。顾问中包括经纬中国联合创始人邵亦波Shao Bo,区块链娱乐产业早期践行者Ricky Butler,顾问人员为偏技术的团队带来金融、投资、娱乐和内容行业的支持,协助Contentos整合和完善在数字内容产业的发展。同时Contentos 拥有国际化的运营团队,具有85个国家和地区的本地化运营经验。

 

图表6-1 团队部分人员简介

 

来源:Contentos

 

 

6.2 合作伙伴

 

为节省获取客户成本,加快Contentos各项性能测试,Contentos在项目初始阶段和猎豹移动达成战略合作,并陆续将代币机制、内容创作奖励接入LiveMe直播、Cheez短视频、PhotoGrid照片创作工具社区等成熟的App,通过合适的引导,将传统App用户转化进入区块链世界。同时,Contentos通过开放平台概念与众多区块链项目拓展合作,例如通过视频创作为合作的HyperSnakes区块链游戏导入用户。近期合作的项目包含应用层的Blockchain Cuties、Unlimited Tower、HyperSnakes,内容服务的SOMESING,以及底层技术的Harmony、Tomochain、Binance Chain等。

 

2019年3月底上线公链测试网两个月内,Contentos通过PhotoGrid等生态合作伙伴导入的真实用户已创建超过5.3万个账户地址,发布4.6万张摄影作品,每日链上操作达3.5万,链上日活跃用户超过4千。

 

图表6-2 合作伙伴列表

 

来源:Contentos,TokenInsight

 

 

6.3 投资机构

 

据Contentos官方公布消息,目前对Contentos进行投资的投资机构有IDG Capital、经纬中国、Binance Labs、了得资本、戈壁创投等,部分投资机构有较大的资本体量且有实体经济支撑。投资机构来源包括中国大陆、欧洲等。在技术方面,Contentos 与Binance Labs保持合作。在核心产品方面,Contentos与经纬中国有合作关系,且经纬中国的联合创始人邵亦波在Contentos担任顾问,核心产品可能拥有实体公司的金融资源支持。

 

图表 6-3 Contentos 投资机构列表

 

来源:Contentos

 

图表 6-4 Contentos 投资机构

 

来源:Contentos

Source Insight Token Macro 因为source insight不展开宏,导致WRK、CRT、C头文件等解析不完全,用SI的Token Macro可以解决这个问题。 使用方法很简单,多务必把它们重命名为C.tom,并放到对应工程目录下!! 原理请看:http://blog.youkuaiyun.com/better0332/archive/2010/06/23/5689193.aspx 立即下载

相关推荐

TokenInsight:Staking研究报告.pdf

TokenInsight:Staking研究报告.pdf

TokenInsight 全新官网上线 用数据赋能区块链价值投资

全新升级后的TokenInsight官网,将展示世界各地顶级区块链项目,以及交易所、钱包、DApps、矿池和量化基金的动态评级和数据。亮点:全球首创的动态榜单、实时数据及...

TokenInsight的博客 1675

从7V到28V宽压输入,手把手教你设计一个5V/3A的DCDC电源模块(附MPS1584选型与原理图避坑)

本文详细解析了基于MPS1584芯片的7V至28V宽压输入到5V/3A输出的DCDC电源模块设计全流程。从电源架构选择、原理图设计要点到实际调试经验,涵盖了输入保护电路、功率转换核心电路及系统级优化测试,帮助工程师规避常见设计陷阱,实现高效稳定的电源解决方案。

weixin_33712987的博客 499

TokenInsight APP 来啦

TI 的各位朋友们,TokenInsight APP 来了! ❤️「Crypto 新闻、数据、研究」应有尽有「最新项目动态」 一应俱全点击「阅读原文」下载App支持下载方式 ⬇️✅ Ap...

TokenInsight的博客 1003

第12章 STM32+BH1750光照传感器+OLED模块显示环境光照强度

相比光敏传感器,它可以直接输出环境光照强度的数值(范围是0~65535lx),非常适合懒人党,各位的传感器买到手后,赶紧跟着文章试试吧!

qq_44645742的博客 1万+

别再只会画方块了!Cesium 1.62 实战:用 Polygon、Ellipse 和 PolylineVolume 玩转复杂地理围栏与3D管道

本文深入探讨了Cesium 1.62在复杂地理围栏与3D管道开发中的高级应用,通过Polygon、Ellipse和PolylineVolume等API实现不规则禁飞区建模、椭圆围栏设计及地下管线可视化。文章结合实战代码,详细解析了性能优化技巧和工程实践,帮助开发者突破基础图形绘制局限,构建真实业务场景中的三维空间系统。

weixin_26763955的博客 107

ContOS安装docker教程

1.contOS环境下暗转docker的基本要求 1.系统的要求与Ubuntu情况下类似:64位操作系统,内核版本至少为3.10。 Docker目前支持CentOS 6.5及以后的版本,推荐使用CentOS 7系统。 2.安装 首先,也是要添加yum软件源: $ sudo tee /etc/yum.repos.d/docker.repo <<-'EOF' [dockerrepo] name=Docker Repository baseurl=https://yum.dockerproject

m0_50641264的博客 705

最优化学习笔记1——关于拟牛顿法推导

从2020年3月份到现在,一年的时间里断断续续自学最优化,结合豆瓣读书、知乎等网站上的推荐,翻阅了以下书和课程: Stephen Boyd和Lieven Vandenberghe的《Convex Optimization》,这本书被公认为学习凸优化的必读经典著作,其中大量的篇幅讲应用,讲理论和算法的篇幅稍少一些。在B网站上有Boyd的视频课程,油管上也有,不过只有英文字幕,如果是零基础接触,直接看Boyd的视频稍显费劲,B站上也有凌青老师以《Convex Optimization》为教材的讲解,推荐作为入

xiaofei473的博客 1768

数字资产行业经纪商研究报告 | TokenInsight & Binance Research

↯ 要点总结1. 传统金融领域监管严格,分工精细。20世纪70年代以来,经纪商尤其是主经纪商业务的出现满足了金融市场上不同参与者的各类需求,经纪商的业务发展也随着市场需求的更新而逐渐繁荣...

TokenInsight的博客 1568

PX4从放弃到精通(十一):混控及PWM输出

文章目录前言一、混控脚本二、使用步骤1.引入库2.读入数据总结 前言 一个人可以走的更快,一群人才能走的更远,交流学习加qq:2096723956 更多保姆级PX4+ROS学习视频:https://b23.tv/ZeUDKqy 分享知识,传递正能量,如有疏漏或不当之处,恳请指出. 一、混控脚本 混控脚本定义了不同 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下(示例): import numpy as np import pand

超维空间科技的博客 1万+

光谱数据预处理综合

除了化学信息,光谱还包含其他不相关或不需要的信息,如电噪声,基质背景,杂散光,散射效应等。在用化学计量学方法建立校准模型时,利用预处理方法消除光谱数据中的无关信息和噪声是非常必要的。

qq_44204759的博客 5192

TokenInsight: Covalent SDK、网络及数据可用性解决方案评估报告

Covalent 是一个区块链长期数据可用性解决方案,提供结构化的链上数据 API,允许开发者访问超过 225 个区块链的全面结构化链上数据。TokenInsight 根据标准化评级方法,从六个维度对 Covalent 进行了评估。

区块链蓝海 1304

SAP 物料主数据 Forecasting 视图,别把预测只当成一个数字字段

摘要(150字): SAP S/4HANA物料主数据的Forecasting视图常被忽视,但对依赖历史消耗规律的物料至关重要。该功能基于工厂维度的历史消耗数据,结合预测参数自动计算未来需求,动态调整重订货点和安全库存。预测模板(Forecast Profile)能标准化参数设置,而消耗数据(Consumption Values)的质量直接影响预测结果。预测值作为MRP输入,需注意保存操作才能生效。自动重订货点功能通过分析消耗波动和服务水平,实现库存策略的动态优化。Individual Forecast功能则

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1437

内容公链Contentos首席科学家不建议刚毕业的年轻人直接从事区块链开发

在区块链开发者队伍中,有一批来自传统的互联网开发人员。在区块链圈子里崇尚年轻和「天才」的文化氛围中,这批开发者因经历了两次重大浪潮的洗礼而更加的扎实和沉稳。 戴硕就是其中一位。 戴硕,内容公链Contentos首席科学家,清华毕业,中科院硕士,曾在腾讯任职,后又在猎豹移动负责社交产品LiveMe开发工作。对于底层开发和安全的理解更为深入。正是有了这样的经历,戴硕直言区块链的开发入门成本远高于传...

优快云高校俱乐部官方博客 2742

Java数据可视化实战:基于JFreeChart的数学函数绘图工具开发

JFreeChart是一个开源的Java图表库,适用于Swing和JavaFX应用程序。折线图和面积图柱状图和饼图散点图和气泡图组合图表3D图表等实现自定义数学表达式解析:java复制下载throw new IllegalArgumentException("表达式不能为空");// 验证表达式try {}");throw new IllegalArgumentException("无效的数学表达式: " + e.getMessage());try {

2201_76125393的博客 365

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")

Linux---VMware安装contentOS

VMware 12安装ContentOs 7 可在网上搜索VMware 12安装ContentOs 7教程进行安装,如果安装过程一直黑屏,请进入BIOS以后,找到Intel (R) Virtualization Technology这一设置项,看看该项是否启动,我的是Disabled,现在设置成Enabled 转载于:https://www.cnblogs.com/zhangguangju/p/...

weixin_34297704的博客 438

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

contentos 端口开启

1.通过systemctl status firewalld查看firewalld状态,发现当前是dead状态,即防火墙未开启。 2.通过systemctl start firewalld开启防火墙,没有任何提示即开启成功 3.再次通过systemctl status firewalld查看firewalld状态,显示running即已开启了。 4.如果要关闭防火墙设置,可能通过system

qq_34954457的博客 1677

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

在vmware中设置CentOS7的网络

为了能够使用XShell来管理我们安装好的CentOS7系统,所以我们要先设置CentOS7的网络使其能够联网。 1.选择vmware的编辑,然后点击虚拟网络编辑器 2.点击更改设置(需要有管理员权限) 3.选择VMnet0为桥接模式,选择自动或者网卡 4.打开“网络和共享中心”选择“VMware Virtual Ethernet Ada...

dengque5778的博客 333

contentOS7安装mysql.tar.gz

今天在工作中需要为虚拟机安装mysql,遇到总总问题---安装包缺失、指令不存在,查阅了很多博客与资料大多数大同小异,看的也不是很清晰,所以写一篇整理性的博客,为contentOS7使用tar包安装mysql进行一些记录 首先:因为现在很多镜像文件都自带mysql数据库,大多数都不需要再进行额外安装,但也有人觉得默认安装的数据库版本过低,所以安装第一步应该检测当前虚拟机中是否已...

Amour恋空的博客 1760

VMWare 虚拟机安装 ContentOS7

VMWare 虚拟机安装 ContentOS7 1、下载contentOS镜像 http://isoredirect.centos.org/centos/7/isos/x86_64/ 选择一个镜像地址下载,一般选择阿里云的镜像 2、下载完成之后启动VMWare,点击新建虚拟机,使用典型(推荐)的安装,下一步 3.选择稍后安装操作系统,下一步 4、选择要安装的操作系统和版本 5、设置虚拟机名称和安装路径 6、分配磁盘空间(可以按需调整) 7、点击完成创建虚拟机实例

慧心一击的博客 1603

contentOS7安装桌面

XShell运行 yum -y groups install "GNOME Desktop" 开始下载桌面组件 完毕之后执行命令 startx 启动桌面安装 init 5 切换至桌面操作 init 3 切换至终端操作

慧心一击的博客 503

【TokenInsight数字钱包行业安全性报告】勘误声明

昨天发布【TokenInsight数字钱包行业安全性报告】后,经业内同仁指正,现将报告中存在的问题更正如下:1、将报告第11页,图3-9中的钱包开源数据进行调整,并在第...

TokenInsight的博客 540

TokenInsight 对话首席——底层公链展望之Monoxide篇

邀行业首席,谈市场现状,见趋势未来!本期《对话首席》线上活动于4月30日上午10点顺利举办。本次《对话首席》特邀Harmony联合创始人 兰荣坚、ConfluxCTO...

TokenInsight的博客 613

TokenInsight指数 | 2019年12月定期审核与调整

○ ●2019年12月1日,TokenInsight指数团队对TokenInsight Inc编制的所有指数进行审核,审核的交易数据窗口期为北京时间2019年11月4日0时0分0秒至2...

TokenInsight的博客 339

TokenInsight 对话首席——底层公链展望之超脑链篇

邀行业首席,谈市场现状,见趋势未来!本期《对话首席》线上活动于4月30日上午10点顺利举办。本次《对话首席》特邀Harmony联合创始人 兰荣坚、ConfluxCTO...

TokenInsight的博客 858

TokenInsight对话首席——褪去浮华归本真!2020公链自主创新突破之路

邀行业首席,谈市场现状,见趋势未来!第27期《对话首席》线上直播,于12月13日(周五)下午3点举办。本期《对话首席》特邀Quarkchain 创始人/CEO-Qi Zhou、IOST ...

TokenInsight的博客 911
上一篇: 2019 年第 24 周 DApp 影响力排行榜 | TokenInsight
下一篇: Kcash 项目评级:B ,展望稳定 | TokenInsight
TokenInsight
博客等级 码龄8年 115粉丝 286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
 
 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