bi参数学习

最新推荐文章于 2024-01-21 20:55:24 发布
最新推荐文章于 2024-01-21 20:55:24 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 币 文章标签： bi
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。
本文链接：https://blog.youkuaiyun.com/nei504293736/article/details/81261621
本文深入解析比特币核心参数的功能与作用，包括创世区块、难度调整、奖励减半等关键机制，并指导如何通过修改这些参数轻松制作自己的山寨币。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ubuntu终端获取时间戳：date +%s

 

密钥生成：https://github.com/lhartikk/GenesisH0 要安装X11,选择DarkCoin方法

 

https://blog.youkuaiyun.com/wab719591157/article/details/80747043

修改创世区块中的 pszTimestamp 修改成任意你想输入的话

 vAlertPubKey = ParseHex("04517d8xxxxx")

然后继续修改公钥也就是  ParseHex("[中间的值]")

 

 

--------------------------------------------------------------------------

建议先用1个月左右的时间熟悉一下比特币协议的原理之后再看源代码，理解复杂事物需要有个循序渐进的过程，欲速则不达。

先简要说明一些这几个参数的作用：

 

genesis.nTime    = nTime;创始区块产生时的unix时间戳
genesis.nBits    = nBits;////这个是难度
genesis.nNonce   = nNonce;创始区块产生时的随机数 ////这个不是随机数字,挖矿的过程,就是寻找这个数字,来使得区块的HASH值小于genesis.nBits 所指定的难度. genesis.nNonce是参与hash运算的源数据的一部份.所以,修改这个值,整个hash值就会发生改变

----------------
        consensus.nSubsidyHalvingInterval = 210000;  // 每隔210000个块减半一次，按每10分钟出一个块计算，大约间隔为4年；
        consensus.nMajorityEnforceBlockUpgrade = 750; // 软分叉"规则"激活的阈值，此时如果区块声明了使用某个规则，那么就需要根据该规则严格验证该区块；
        consensus.nMajorityRejectBlockOutdated = 950; // 软分叉“分叉”生效的阈值，此时矿工将拒绝收录不符合新规则的区块；
        consensus.nMajorityWindow = 1000; // 软分叉投票的观察窗口（每次统计最近的“1000”个块的投票情况）
        consensus.BIP34Height = 227931; // BIP34规则生效时所在的高度（BIP34是一个比较重要的软分叉规则，该规则要求在每个块的coinbase中必须写入当前的区块高度，从而避免产生出重复的genesis交易）
        consensus.BIP34Hash = uint256S("0x000000000000024b89b42a942fe0d9fea3bb44ab7bd1b19115dd6a759c0808b8"); // BIP34规则生效时的区块hash值，相当于是一个检查点（checkpoint)
        consensus.powLimit = uint256S("00000000ffffffffffffffffffffffffffffffffffffffffffffffffffffffff"); // 最低难度值(difficult = 1)时所对应的256位的二进制数值；
        consensus.nPowTargetTimespan = 14 * 24 * 60 * 60; // two weeks  每两周调整一次难度
        consensus.nPowTargetSpacing = 10 * 60; // 平均每600秒出一个块（10分钟）
        consensus.fPowAllowMinDifficultyBlocks = false; // 不允许在当前难度周期挖低难度的块（仅在testnet网上测试时才允许）
        consensus.fPowNoRetargeting = false; // 每个难度周期内（2016个块）不允许调整难度值

 

 

 

----------------------------

原文出处:http://www.tiny-calf.com/2018/03/20/比特币核心主要参数分析/

创世块相关

Timestamp

这里的timestamp就是一句随机的话，表明创建创世块创建的时候发生的某个时间，这句话会被一并加入创世块的哈系算法中。其实只是一个象征意义，在代码里能找到创世块的原文，在Bitcore src/chainparams.cpp的CreateGenesisBlock函数中，原文如下：

1

const char* pszTimestamp = "The Times 03/Jan/2009 Chancellor on brink of second bailout for banks";

 

nTime nNonce nBit

nTime这个才是我们通常说的linux时间戳，是创世块开采时候的时间，比特核心代码中为1231006505。我们知道比特币挖矿的原理是寻找某个随机数加上一个固定的算法所得出的值的哈系值，如果前n多位是0，那么就可以算是一个新的区块。挖矿就是寻找这个随机数的过程。n越多，难度久越大，这里的nBit其实就代表了创世块的难度，代码中为0x1d00ffff，而真正生成创世块的随机数就是这个nNounce，代码中为2083236893。这三个参数在代码中直接以函数的参数的形式出现，也在src/chainparams.cpp中：

1

genesis = CreateGenesisBlock(1231006505, 2083236893, 0x1d00ffff, 1, 50 * COIN);

 

这里的50 * COIN其实没什么用，因为创世块的币是没法用的。每个块的奖励其实不在这里设置，后面再讲。

生成创世块

创世块需要两个参数，一个是创世块的hash值hashGenesisBlock，一个是创世块的hashMerkleRoot 。区块链是树状的，需要merkleroot来建立块与块之间的联系。生成创世块我们就需要以上说的 Timestamp,nTime,nBit ,按照指定算法挖矿，得出nNounce,hashMerkleRoot,hashMerkleRoot。有一个python能完成生成创世块的工作，点击这个传送门。

得到nNounce,hashMerkleRoot,hashMerkleRoot以后，nNounce还是填入之前的函数参数中，hashMerkleRoot,hashMerkleRoot分别可以在以下代码中找到：

1
2

assert(consensus.hashGenesisBlock == uint256S("0x000000000019d6689c085ae165831e934ff763ae46a2a6c172b3f1b60a8ce26f"));
assert(genesis.hashMerkleRoot == uint256S("0x4a5e1e4baab89f3a32518a88c31bc87f618f76673e2cc77ab2127b7afdeda33b"));

 

共识机制相关

SubsidyHalvingInterval

这个是减半周期，我们了解比特币4年减半，但是这里的减半周期单位是块，也就是每过210000个块比特币的产出减半。后面我还会回来说为什么是4年。代码是这样的：

1
2

// 位置  /src/chainparams.cpp
consensus.nSubsidyHalvingInterval = 210000;

 

PowTargetSpacing PowTargetSpacing

PowTargetSpacing是目标难度变更时间，源码为2周。PowTargetSpacing是目标出块时间代码中为10分钟。这两个参数相除，就是难度变化周期2016（单位：块）。总结来说，就是每隔2016个块，挖矿难度会重新定义，以此来动态平衡出块时间。举个实际的例子：在前难度周期中，由于矿工算力过大，没有像预期的一样每十分钟出一个块，那么在下一个难度周期中，会按照上一个周期的算力，增加合适的难度，来保证下一个周期中每个块的出块时间大约是十分钟。那么其实我们的初始难度设置低一点也没有太大影响，最终都会按PowTargetSpacing来决定难度。另外，结合上面的减半周期210000和每十分钟出一个块，我们就得出了4年减半的结论。

这两个参数的源码如下：

1
2
3

// 位置  /src/chainparams.cpp
consensus.nPowTargetTimespan = 14 * 24 * 60 * 60; // two weeks
consensus.nPowTargetSpacing = 10 * 60;

 

Subsidy

这个就是挖矿的初始奖励。代码中为50,结合减半周期，每个周期内的的产出为 50 × 2100000，所以总产出为 50 × 2100000 ×（1 + 1/2 + 1/4 + 1/16 + …），积分一下，结果就是2100万。

1
2

//位置  /src/main.cpp
CAmount nSubsidy = 50 * COIN;

 

其他非重要参数

1
2
3
4
5

// 位置  /src/chainparams.cpp
pchMessageStart[0] = 0xf9;
pchMessageStart[1] = 0xbe;
pchMessageStart[2] = 0xb4;
pchMessageStart[3] = 0xd9;

这个是网络消息头，用来合其他比特币altcoin区分，随便改其他数字就行

1
2
3
4
5
6

// 位置  /src/chainparams.cpp
vSeeds.push_back(CDNSSeedData("bitcoin.sipa.be", "seed.bitcoin.sipa.be", true)); // Pieter Wuille, only supports x1, x5, x9, and xd
vSeeds.push_back(CDNSSeedData("bluematt.me", "dnsseed.bluematt.me", true)); // Matt Corallo, only supports x9
vSeeds.push_back(CDNSSeedData("dashjr.org", "dnsseed.bitcoin.dashjr.org")); // Luke Dashjr
vSeeds.push_back(CDNSSeedData("bitcoinstats.com", "seed.bitcoinstats.com", true)); // Christian Decker, supports x1 - xf
vSeeds.push_back(CDNSSeedData("bitcoin.jonasschnelli.ch", "seed.bitcoin.jonasschnelli.ch", true)); // Jonas Schnelli, only supports x1, x5, x9, and xd

 

这个是比特币的初始固定节点，开启比特币时会自动连接，如果你的altcoin一开始没有的话全部注释就行

1
2
3
4

// 位置  /src/chainparams.cpp
base58Prefixes[PUBKEY_ADDRESS] = std::vector<unsigned char>(1,0);
base58Prefixes[SCRIPT_ADDRESS] = std::vector<unsigned char>(1,5);
base58Prefixes[SECRET_KEY] =     std::vector<unsigned char>(1,128);

 

这三个参数会影响地址生成的校验位，以区分不同的币种，如果你要做altcoin的最好还是要改。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

// 位置  /src/chainparams.cpp
checkpointData = (CCheckpointData) {
    {
        { 11111, uint256S("0x0000000069e244f73d78e8fd29ba2fd2ed618bd6fa2ee92559f542fdb26e7c1d")},
        { 33333, uint256S("0x000000002dd5588a74784eaa7ab0507a18ad16a236e7b1ce69f00d7ddfb5d0a6")},
        { 74000, uint256S("0x0000000000573993a3c9e41ce34471c079dcf5f52a0e824a81e7f953b8661a20")},
        {105000, uint256S("0x00000000000291ce28027faea320c8d2b054b2e0fe44a773f3eefb151d6bdc97")},
        {134444, uint256S("0x00000000000005b12ffd4cd315cd34ffd4a594f430ac814c91184a0d42d2b0fe")},
        {168000, uint256S("0x000000000000099e61ea72015e79632f216fe6cb33d7899acb35b75c8303b763")},
        {193000, uint256S("0x000000000000059f452a5f7340de6682a977387c17010ff6e6c3bd83ca8b1317")},
        {210000, uint256S("0x000000000000048b95347e83192f69cf0366076336c639f9b7228e9ba171342e")},
        {216116, uint256S("0x00000000000001b4f4b433e81ee46494af945cf96014816a4e2370f11b23df4e")},
        {225430, uint256S("0x00000000000001c108384350f74090433e7fcf79a606b8e797f065b130575932")},
        {250000, uint256S("0x000000000000003887df1f29024b06fc2200b55f8af8f35453d7be294df2d214")},
        {279000, uint256S("0x0000000000000001ae8c72a0b0c301f67e3afca10e819efa9041e458e9bd7e40")},
        {295000, uint256S("0x00000000000000004d9b4ef50f0f9d686fd69db2e03af35a100370c64632a983")},
    }
};

 

这个是校验区块链上的固定块是否正确，同样，需要altcoin的话这里注释掉

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

// 位置 src/util.cpp
#ifdef WIN32
    // Windows
    return GetSpecialFolderPath(CSIDL_APPDATA) / DATA_FILE_NAME;
#else
    fs::path pathRet;
    char* pszHome = getenv("HOME");
    if (pszHome == NULL || strlen(pszHome) == 0)
        pathRet = fs::path("/");
    else
        pathRet = fs::path(pszHome);
#ifdef MAC_OSX
    // Mac
    pathRet /= "Library/Application Support";
    TryCreateDirectory(pathRet);
    return pathRet / DATA_FILE_NAME;
#else
    // Unix
    return pathRet / DATA_FILE_NAME_UNIX;
#endif

 

这里直接把DATA_FILE_NAME和DATA_FILE_NAME_UNIX换成altcoin名字就行，是默认文件夹名称。

完成

所以按照整篇文章说的，改掉一些数据，就能很容易自己编译自己的altcoin了，具体编译流程可以参照我以前的比特币文章。
但是毕竟，这个技术没什么卵用，自己玩玩就好。

---------------------------------

一老外写的经典之作：

http://dillingers.com/blog/2015/04/18/how-to-make-an-altcoin/#respond

 

优快云:【比特币】自己动手制作山寨币

https://blog.youkuaiyun.com/hacode/article/details/40422535#commentBox

 

 

https://blog.youkuaiyun.com/wab719591157/article/details/80747043

 

 

通过修改创世区块简单制作山寨币

https://blog.youkuaiyun.com/mjfh095215/article/details/80250536

FineBI学习总结
Rsun2018的博客
05-29 1171
交叉表：一组作为行标题显示在表的左部，另一组作为列标题显示在表的顶部。连接到数据，如果数据不满足数据分析的需求，先进行自助数据集处理。数据集分类：DB表、SQL、Excel、自助数据集。分组表：将报表中的数据按相同项合并为一组显示。1、数据准备2、制作仪表板3、分享仪表板。左合并：保留左边全部数据，合并右边。右合并：保留右边全部数据，合并左边。上下拼接：上下拼接到一张表数据。3、如何实现拼表：多表拼一张。分组–业务包–数据集–字段。字段分类：数值、文本和日期。目录–仪表板–数据准备。维度：文本和日期类型。
Power BI学习（数据可视化）
u014694915的博客
03-19 4653
2）对象可以拉到合适的位置。然后，选择对象 --选择“可视化”的“地图”3.在数据页面，新建一个某几列数据合在一起计算的列。法三：柱形图、饼状图（其他的图形根据需要选取）选择表，右键--新建列--输入公式--确认。3）将数据表中的门店的国家字段拉入地图中。然后点击上图的“焦点模式”模式。2.查看导入的表之间的关系。4.查看门店分布及销售情况。1）插入--新建视觉对象。1.导入execl数据。2.选择“着色地图”3）拉入国家和销售额。
BI学习资料
12-25
移动BI产品介绍-MSTR
ＢＩ学习
weixin_43480727的博客
09-03 191
FR之数据连接 （1）JDBC 都学过不细讲 （2）JNDI：通过 JNDI 方式定义数据连接 （3）XMLA 数据连接（通过 XMLA 数据连接的方式来与多维数据库进行连接） （4）SAP 数据连接（FineReport 将 SAP 数据连接功能做成一个插件，新增 SAP 数据连接类型，添加 SAP 数据集类型） 具体实现 JNDI的连接步骤 XMLA 数据连接 SAP 数据连接 ＦＲ使用可参考 ＦｉｒｅＲｅｐｏｒｔ使用帮助文档 帆软官网 ...
BI 入门学习
nxk_bao916的专栏
01-09 1523
什么是BI（商务智能） 产品与服务 - 商务智能     商业智能是什么? 简而言之,它是能够帮助用户对自身业务经营做出正确明智决定的工具。一般现代化的业务操作,通常都会产生大量的数据,如订单、库存、交易帐目、通话记录、及客户资料等。如何利用这些数据增进。       对业务情况的了解,帮助我们在业务管理及发展上作出及时、正确的判断,也就是说,怎样从业务数据中提取有用的信息,然后根
BI学习笔记
徐子云的博客
01-18 2387
一、概述 　　商业智能项目最重要的就是解决各个业务系统间数据整合的问题，消除信息孤岛，为企业管理人员提供统一的数据查询和报表展示功能，能够进行多维度的数据分析和数据挖掘，对企业发展起到指导作用。 1.商业智能的实施方法： 　　１）项目规划：前期准备、调研、分析等工作，逻辑模型的设计等。 　　２）系统设计与实现：系统体系结构、数据库、ETL的设计，前端应用的开发，元数据管理等。 　　３...
Power BI 学习一
VSelina的博客
03-01 1190
关系的创建和管理 如图创建和管理关系由次开始，在编辑查询以后进入关系管理页面，然后对各个表格的关系进行 这里的字段关系如数据库一般有1对一、一对多、多对一三者关系，数据传递的方向则是双向的，但是tableau则可以实现多对多的对应，所以不会涉及到维表关联。其实这里的关系在表关系建立的时候可视操作也很方便 介绍几个写得很好地学习文章 数据分析之Power BI Desktop数...
融合正余弦与柯西变异麻雀搜索算法优化CNN-BiLSTM参数用于风速预测 · 机器学习
07-30
内容概要：本文介绍了一种融合正余弦和柯西变异的麻雀搜索算法，用于优化CNN-BiLSTM模型的参数，如学习率、正则化参数和BiLSTM隐含层神经元个数。该方法旨在提高风速预测的时间序列任务表现。文中详细解释了麻雀搜索...
基于GWO-BiLSTM的优化参数学习率与隐藏层节点数交叉验证抑制过拟合的Matlab代码（2019及以上版本）
05-24
通过引入灰狼优化算法对学习率、隐藏层节点数和正则化参数进行智能寻优，并采用交叉验证技术确保模型泛化能力。实验结果显示，在电力负荷预测任务上取得了显著的效果改进。 适合人群：从事机器学习、深度学习领域的...
融合正余弦与柯西变异麻雀搜索算法优化CNN-BiLSTM学习率与参数，基于风速数据预测,基于正余弦与柯西变异麻雀搜索算法优化CNN-BiLSTM参数针对风速数据预测的研究,融合正余弦和柯西变异的麻雀搜
02-18
融合正余弦与柯西变异麻雀搜索算法优化CNN-BiLSTM学习率与参数，基于风速数据预测,基于正余弦与柯西变异麻雀搜索算法优化CNN-BiLSTM参数针对风速数据预测的研究,融合正余弦和柯西变异的麻雀搜索算法优化CNN-BiLSTM ...
机器学习中ISSA-CNN-BiLSTM模型的多策略优化及其Python实现 - 深度学习 教程
最新发布
07-30
接着展示了如何将这些改进应用于实际的深度学习模型中，特别是针对CNN-BiLSTM架构进行了参数调整，如卷积层过滤器数量、双向LSTM单元数目和学习率等关键超参数的选择。最后给出了具体的代码片段，演示了从模型构建到...
Oracle BI 快速学习手册
11-07
Oracle BI学习手册，不论是对新手还是有经验的BI行业从事人员都是很难得的好资料，强力推荐
bi学习心得，帮助bi初学者指明方向。
07-03
bi全套学习心得，供初学者参考，给初学者指明方向，少走弯路。
最新最全的官方BI学习资料
08-09
最新 最全的 官方 BI 学习资料最新 最全的 官方 BI 学习资料最新 最全的 官方 BI 学习资料
浅谈 初学者该如何学习BI
473687880
11-15 900
这个我是过来人，可以说下我的经历。之前做.net开发的、码农，做汽车行业的。学习BI的目的，说白了就是工资高，当时在公司里,有一个做BI的同事，同样的工作年限，他的工资比我高出很多。同时平常做的事情也不一样，我发现天天自己不仅Coding、改Bug、业务需求变了，还要继续改，事情一大推。重要的是：天天都编写一些重复的代码，复制粘贴等，对自己没有任何的提高。而BI同事天天做的事情就是设计一些报表，然...
BI学习路线
荣耀之路
05-07 3695
理论知识的准备： BI基础知识漫谈
Power Bi学习笔记（一）
ypl20000815的博客
01-21 2023
power bi 基本操作，一些基本函数
BI学习材料
firedragon3000的专栏
11-07 626
大神们说的学习资料 1.《数据仓库》W.H.Inmon著，王志海 等译（注：这本书可以说是我的入门书，堪称经典，就是比较枯燥） 2.《数据仓库设计》Claudia Imhoff,Nicholas Galemmo，Jonathan G.Geiger著，于戈，鲍玉斌，王大玲 等译（注：感觉不错的一本书，主要介绍业务建模的方法，比较深入） 3.《电子商务中的数据仓库技术》W.H.I
BI中级学习笔记
weixin_46061565的博客
10-02 222
一、自服务数据集 1、透视表（逆透视表） 例如： 2、自循环列 2、镜像与联接
BiLSTM参数设置
04-01
### BiLSTM 参数设置方法及最佳实践 在 PyTorch 中实现 BiLSTM 模型时，参数的选择和配置对于模型的性能至关重要。以下是关于 BiLSTM 的主要参数及其推荐的最佳实践： #### 1. 输入维度 (`input_size`) 输入维度应与嵌入层（Embedding Layer）的输出一致。如果使用的是预训练词向量，则 `input_size` 应等于该词向量的维度大小。 ```python embedding_dim = 300 # 假设使用 GloVe 或其他预训练词向量 lstm_input_size = embedding_dim ``` #### 2. 隐藏单元数 (`hidden_size`) 隐藏单元的数量决定了 LSTM 能够捕获多少复杂特征。通常情况下，较大的隐藏单元数量能够提高模型表达能力，但也可能导致过拟合。建议从小规模开始尝试并逐步调整。 ```python hidden_size = 128 # 推荐范围：64 至 512 ``` #### 3. 双向模式 (`bidirectional`) BiLSTM 是通过将前向 LSTM 和后向 LSTM 结合起来构建的，因此需要启用双向模式以充分利用上下文信息[^2]。 ```python is_bidirectional = True num_directions = 2 if is_bidirectional else 1 ``` #### 4. 层数 (`num_layers`) 层数控制堆叠 LSTM 层的数量。增加层数可能提升模型表现，但也会使梯度消失或爆炸问题更加严重。一般而言，单层或多层（不超过 3 层）即可满足大多数需求。 ```python num_layers = 2 # 推荐范围：1 至 3 ``` #### 5. Dropout 正则化 (`dropout`) Dropout 技术有助于防止过拟合，在多层网络中尤为重要。可以通过设置 `dropout` 参数来指定每层之间的丢弃概率。 ```python dropout_rate = 0.5 # 推荐范围：0.2 至 0.7 if num_layers > 1: lstm_dropout = dropout_rate else: lstm_dropout = 0 ``` #### 6. 批次大小 (`batch_size`) 和序列长度 (`sequence_length`) 批次大小影响 GPU 利用率以及收敛速度；而序列长度则决定每次传递给模型的数据片段长短。这两者需根据硬件资源合理设定。 ```python batch_size = 64 # 推荐范围：16 至 128 seq_len = 50 # 根据具体任务调整 ``` #### 7. 学习率 (`learning_rate`) 和优化器 选择合适的优化算法（如 Adam、SGD 等）和初始学习率对训练过程非常重要。Adam 通常是首选方案之一。 ```python learning_rate = 0.001 # 推荐范围：1e-3 至 1e-5 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=1e-5) ``` #### 完整代码示例 以下是一个简单的 BiLSTM 实现案例： ```python import torch.nn as nn class BiLSTMModel(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_size, output_size, num_layers, bidirectional=True, dropout=0.5): super(BiLSTMModel, self).__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim) self.lstm = nn.LSTM( input_size=embedding_dim, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, bidirectional=bidirectional, dropout=(dropout if num_layers > 1 else 0) ) self.fc = nn.Linear(hidden_size * (2 if bidirectional else 1), output_size) def forward(self, x): embedded = self.embedding(x) lstm_out, _ = self.lstm(embedded) final_hidden_state = lstm_out[:, -1, :] # 获取最后一个时间步的状态 logits = self.fc(final_hidden_state) return logits ``` --- ### 注意事项 - **正则化**：除了 Dropout 外，还可以引入 L2 正则化（即权重衰减）进一步抑制过拟合现象。 - **初始化策略**：适当初始化 LSTM 权重矩阵能加速收敛进程[^1]。 - **超参调优工具**：借助网格搜索或贝叶斯优化等手段自动化寻找最优参数组合。 ---
评论
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