- 博客(36)
- 收藏
- 关注
RSS订阅原创 web3的跨链（HTLC原子交换 ）python实现
哈希时间锁合约（Hashed Timelock Contract，HTLC）是一种智能合约，它允许将价值（如代币）锁定一段固定时间（或一定数量的区块）。在价值被锁定的期间，只有提供正确的密钥（哈希原像）时，才能将其转移给指定的接收方。这确保了价值的转移仅在特定条件下发生，即只有代币的所有者选择揭示密钥时才会发生。本文将展示在 Solidity 中实现 HTLC 的一种可能方式。
2025-12-23 09:58:02
975
原创 Web3的存储基石IPFS
IPFS 绝非普通的存储系统，它是对传统互联网寻址模式的一次根本性变革。随着 Web3 的蓬勃发展，深入理解并熟练掌握 IPFS，将成为构建真正去中心化应用的关键能力。行动号召：立即尝试安装 IPFS Desktop，将你钟爱的一张图片上传至 IPFS，并分享其 CID 吧！
2025-12-02 10:08:01
937
原创 python实现web3多重签名交易
Web3 里的，是指一笔区块链交易并非由单个私钥的签名来决定能否执行，而是需要共同签名授权。这是一种极具代表性的，在钱包管理、DAO（去中心化自治组织）治理、金库管理以及团队共管资产等众多场景中得到了广泛应用。
2025-11-24 10:45:44
933
原创 以太坊的P2P网络协议：世界计算机的“神经网络”
中心化的脆弱：如果AWS宕机，以太坊上的所有 DeFi、NFT 和智能合约瞬间瘫痪。权力的集中：拥有服务器的人可以随意回滚交易，甚至没收你的资产。但以太坊的目标是成为不可阻挡无主之地：没有公司拥有它，没有 CEO 管理它。永不停歇：只要地球上还有一个节点在运行，网络就活着。这个“永不宕机”的奇迹，依赖于以太坊底层的 P2P 网络层（DevP2P 和 LibP2P）。💡思考一下相比于比特币只是单纯的“记账”，以太坊还要运行复杂的“程序”（智能合约）。这就好比比特币是大家互相传阅一个账本。
2025-11-19 10:34:18
521
原创 以太坊开发者指南（三）：智能合约详解
以太坊区块链承载着巨大的价值。在之前的文章中，我们讨论了以太币如何通过交易在用户之间流转。然而，该网络的能力远不止于此，它能够实现更为复杂的交互，而这些复杂用例正是通过智能合约得以实现的。智能合约是部署到区块链上的代码（即计算机程序）。其流行语中的“合约”一词，体现了这些程序的相对永久性，因为它们决定了资产的转移方式；而“智能”则彰显了它们的可编程性。为简洁起见，我们通常将其简称为“合约”，本文也将沿用这一称呼。可以将合约和个人账户视为该系统中的两类参与者。
2025-11-18 11:07:02
796
原创 以太坊开发者指南（二）：开启交易的钥匙
在本文中，我们将基于这些基础知识，进一步探讨它们对开发者的实际影响。如果您错过了第一部分或需要回顾，请务必返回查阅。
2025-11-17 09:55:05
712
原创 以太坊开发者指南（一）：开启区块链探险之旅
嘿！你听说过以太坊的大名了吧？这可是科技圈的“魔法森林”。如果你已经准备好跳进这个既神秘又充满机遇的“兔子洞”，那恭喜你，旅程马上开始！这篇文章就像你的“冒险地图”——我们先来唠唠区块链的那些事儿，再手把手教你和以太坊节点打交道：读取区块、查看账户、发送交易，全程带你上手。过程中你还会体会到，和到底差多远。放心，我们不会让你被技术术语吓跑。咱们要用的 Python 工具只是思想的“信使”，不是数学考试题。就算你不是 Python 高手，也一样能轻松跟上节奏。
2025-11-14 10:47:03
1178
原创 web3.py 合约事件机制（Event Log System）
eventabi = [...] # ERC20 合约 ABI区块链世界没有“消息推送”，事件是写在区块里的“日志”，监听是从这些日志中筛选出你关心的部分。现代节点实现已经让这个过程几乎不消耗无效计算。
2025-11-14 10:45:32
653
原创 web3.py 在以太坊上编写自己的加密货币（如何构建 ERC-20 代币）
在线平台信誉积分：例如在特定社区中，用户通过完成任务或参与互动积累的积分。游戏角色技能：游戏内角色所具备的独特技能，以代币形式体现其价值。金融资产：类似公司股份的资产，在区块链上实现数字化流转。法定货币：如与美元等法定货币等值的代币。实物资产：像一盎司黄金这样的实物，通过代币化实现便捷交易。更多可能：代币的潜力无限，还可代表其他各种价值。以太坊的这一强大特性，需要强有力的标准来规范，而 ERC-20 标准正是为此而生。它为开发者构建可与其他产品和服务互操作的代币应用程序提供了规范。
2025-11-13 11:54:11
1022
原创 web3.py 简介：面向 Python 开发者的以太坊
作为系列教程的第一部分，将首先对 Web3.py 库进行整体概述，随后演示如何查看以太坊账户的余额。开发智能合约：运用 Solidity 编程语言编写可在区块链上运行的程序。开发与区块链交互的客户端：编写用于从区块链读取和写入数据的代码（涵盖与智能合约的交互）。Web3.py 能够助力你完成第二项任务，即开发与以太坊区块链交互的客户端。
2025-11-13 11:53:01
802
原创 10. 什么是以太坊的隐私？
隐私不仅关乎个人安全，更是自由的基石以及去中心化的关键保障。它赋予人们自由表达、交易和组织社群的强大能力。然而，和所有区块链一样，以太坊的公共账本设计给隐私保护带来了诸多挑战。
2025-11-12 10:01:56
679
原创 9. 什么是安全的以太坊措施？
随着加密货币的日益普及，黑客和诈骗者的威胁也在不断增加。本文将介绍一些降低风险的最佳实践，帮助你安全地使用以太坊。请不要回复任何声称来自以太坊官方支持的邮件。
2025-11-12 10:01:25
915
原创 8. 什么是以太坊节点？
以太坊节点（Node）是运行**客户端软件（Client）**的计算机。下载和存储区块链数据节点会保存区块链上所有区块和交易的副本。验证区块和交易每当新区块产生，节点都会独立验证其有效性。广播信息节点将新的交易和区块在网络中转发给其他节点，保持全网同步。提供接口节点允许钱包、DApp 或 CLI 工具通过 RPC（如 JSON-RPC）与以太坊网络通信。简而言之：节点是以太坊的基础设施，它们共同维护着去中心化的共识与数据完整性。运行节点的意义，远不止技术层面。它代表着一种理念——
2025-11-11 15:29:44
982
原创 7. 什么是零知识证明？
零知识证明是一种能够在不披露声明本身内容的情况下，验证声明有效性的方法。其中，“证明者”是试图证明声明的一方，“验证者”则负责验证声明的真实性。零知识证明最早在1985年的一篇论文《》中被提出，该论文给出了至今仍被广泛使用的零知识证明定义：零知识协议是一种方法，借助此方法，一方（证明者）能够向另一方（验证者）某个声明是真实的，并且除了该声明真实这一信息外，。多年来，零知识证明不断发展，目前已在现实世界中得到广泛应用。
2025-11-11 15:29:03
795
原创 6. 什么是桥梁？
区块链桥是连接不同区块链生态系统的关键基础设施，能够实现资产和信息的跨链传输。随着区块链协议数量增加，跨链需求日益增长，桥梁提供了在孤立区块链之间建立互操作性的解决方案。文章介绍了桥梁的基本概念、必要性以及典型应用场景，如降低交易费用、访问多链DApp等。同时分析了桥梁的两大类型：需信任桥梁（依赖中心实体）和去信任桥梁（基于智能合约），并指出使用桥梁存在的智能合约风险、技术风险和资产托管风险。文章最后提供了评估桥梁安全性的资源，并强调虽然桥梁对多链生态至关重要，但用户需谨慎权衡其安全风险。
2025-11-10 09:49:28
865
原创 5. 什么是燃料费？
可以把以太坊想象成一个大型的计算机网络，人们在这个网络上能够执行发送信息、运行程序等各种任务。就像在现实世界中完成任务需要能量一样，在以太坊中完成这些任务同样需要能量。在以太坊里，每个计算操作都设定了相应的“燃料”价格。燃料费指的是在交易过程中所执行操作的总费用。当用户发送交易或者运行智能合约时，必须支付燃料费，交易才能被处理。在大多数钱包或燃料追踪器中，你会看到燃料价格用“gwei”来计量。
2025-11-10 09:48:48
847
原创 4. 什么是智能合约？
从技术角度看，智能合约是运行在区块链虚拟机（如 EVM）上的自动化程序。从法律或经济角度看，它是一个由代码定义的协议，用于在各方之间执行条款、交换价值或转移资产。智能合约是一段自执行的程序，确保合约条款在没有第三方的情况下自动履行。在以太坊上，智能合约通常使用Solidity或Vyper等语言编写，并部署在链上特定地址。部署后，任何人都可以调用其函数、查看代码状态或参与执行。智能合约让“信任转移到代码”成为可能。它的出现让区块链不再只是价值转移的账本，而成为可编程的去中心化计算平台。
2025-11-08 22:08:08
671
原创 3. 什么是以太坊钱包？
以太坊钱包是一款能够让你对账户进行全面控制的应用程序。就如同你日常使用的物理钱包一样，它涵盖了验证身份以及处理资产所需的所有关键信息。借助钱包，你可以轻松登录各类应用程序、随时查看账户余额、发送交易以及完成身份验证等操作。钱包是大多数人管理数字资产与身份的核心工具。钱包也是你与以太坊账户进行交互的关键媒介。这意味着，你可以根据自身需求随时更换钱包提供商。而且，许多钱包应用都支持同时管理多个以太坊账户，极大地提升了使用的便捷性。需要明确的是，钱包提供商并不会保管你的资金。
2025-11-08 22:07:53
173
原创 2. 什么是 Web3？
Web3 已成为一个涵盖广泛的术语，代表着一个全新的、更优的互联网愿景。Web3 的核心是通过区块链、加密货币和非同质化代币，以所有权的形式将权力归还给用户。Twitter 上 2020 年的一篇帖子一针见血地指出：Web1 是只读的，Web2 能读/能写，未来的 Web3 能读/能写/能拥有。
2025-11-07 16:01:57
861
原创 1. 什么是以太坊？
您可以将以太坊网络视作一个全球性的数字基础设施，人人皆可使用，却无人能够滥用。该网络由遍布全球的数千台独立计算机（即节点）构成。这些节点由普通人运营，它们相互协作，为全球各地的任何人提供金融服务和数字应用程序。与机构拥有的传统网络相比，以太坊网络具备三大关键优势：抗审查性、增强的安全性以及更高的可靠性。以太币（ETH）是以太坊的原生加密货币。这是一种新型的数字货币，只需几美分，便能在几秒内将 ETH 发送给世界任何地方的任何人。但 ETH 的用途远不止于支付。
2025-11-07 16:01:35
1145
原创 机器学习实战中的函数学习记录
title: 机器学习实战中的函数学习记录date: 2020-05-01 09:20:50tags: [python函数]categories: 机器学习实战更多内容请关注我的博客记录机器学习实战中遇到的函数import numpy as nptile()tile(A, reps)tile函数的作用是让某个数组或矩阵A，以reps的维度重复，构造出新的数组，所以返回值也是个数组。a = array([0, 1])b = np.tile(a, 2)c = np.tile(a, .
2021-05-02 14:45:49
312
原创 机器学习实战（十四）
title: 机器学习实战（十四）date: 2020-06-08 16:20:50tags: [SVD]categories: 机器学习实战更多内容请关注我的博客利用SVD简化数据奇异值分解（singular value decomposition，SVD）SVD的应用奇异值分解优点：简化数据，去除噪声，提高算法的结果缺点：数据的转换可能难以理解适用数据类型：数值型数据利用SVD实现，我们能够用小得多的数据集来表示原始数据集。这样做，实际上是去除噪声和冗余信息。隐性语义索引.
2021-05-02 14:45:42
394
原创 机器学习实战（十三）
title: 机器学习实战（十三）date: 2020-06-04 16:20:50tags: [PCA, 降维, 主成分分析]categories: 机器学习实战更多内容请关注我的博客利用PCA来简化数据降维（dimensionality reduction），数据在低纬度时更容易处理。降维技术数据进行简化的原因：使得数据集更容易使用降低很多算法的计算开销去除噪声使得结果易懂降维方法，主成分分析（Principal Component Analysis，PCA），数据从原来.
2021-05-02 14:45:33
252
原创 机器学习实战（十二）
title: 机器学习实战（十二）date: 2020-06-02 09:20:50tags: [FP-growth]categories: 机器学习实战更多内容请关注我的博客使用FP-growth算法来高效发现频繁项集FP-growth算法只会对数据库进行两次扫描，而Apriori算法对于每个潜在的频繁项集都会扫描数据集判断给定模式是否频繁，因此FP-growth算法的速度要比Apriori算法快。FP树：用于编码数据集的有效方式FP-growth算法优点：一般要快于Apriori.
2021-05-02 14:45:21
262
原创 机器学习实战（十一）
title: 机器学习实战（十一）date: 2020-05-28 09:20:50tags: [关联分析, Apriori算法]categories: 机器学习实战更多内容请关注我的博客使用Apriori算法进行关联分析在大规模数据集中寻找物品的隐含关系被称作关联分析(association analysis)或者关联规则学习(association rule learning)，例如商品的定向推荐。关联分析Aprior算法优点：易编码事先缺点：在大数据集上可能较慢适用数据类型：.
2021-05-02 14:45:11
367
原创 机器学习实战（十）
title: 机器学习实战（十）date: 2020-05-15 09:20:50tags: [聚类, K-均值]categories: 机器学习实战更多内容请关注我的博客利用K-均值聚类算法对未标注数据分组聚类是一种无监督的学习，它将相似的对象归到同一个簇中，它有点像全自动分类。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。K-means聚类算法，它可以发现k个不同的簇，且每个簇中心采用簇中所含值的均值计算而成。簇识别（cluster identification）.
2021-05-01 22:50:23
288
原创 机器学习实战（九）
title: 机器学习实战（九）date: 2020-05-01 09:20:50tags: [树回归, CSRT算法, 树剪枝算法]categories: 机器学习实战更多内容请关注我的博客数回归分类回归树 Classification And Regression Trees 分类回归树。该算法既可以用于回归还可以用于分类。复杂数据的局部性建模数回归优点：可以对复杂和线性的数据建模缺点：结果不易理解适用数据类型：数值型和标称型数据第三章使用的树构建的算法是ID3。ID3的做.
2021-05-01 22:48:48
248
原创 机器学习实战（八）
title: 机器学习实战（八）date: 2020-04-20 09:20:50tags: [线性回归, 岭回归, 最小二乘法]categories: 机器学习实战更多内容请关注我的博客预测数值型数据：回归分类的目标变量是标称型数据，而回归是对连续性数据做出预测。用线性回归找到最佳拟合直线线性回归优点：结果易于理解，计算上不复杂缺点：对非线性的数据拟合不好适用数据类型：数值型和标称型数据回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。Z = .
2021-05-01 22:47:42
446
原创 机器学习实战（七）
title: 机器学习实战（七）date: 2020-04-07 09:20:50tags: [AdaBoost, bagging, boosting, ROC]categories: 机器学习实战更多内容请关注我的博客利用AdaBoost元算法提高分类性能在做决定时，大家可能会吸取多个专家而不是一个人的意见，机器学习也有类似的算法，这就是元算法（meta-algorithm）。元算法是对其他算法进行组合的一种方式。基于数据集多重抽样的分类器前面已经学习了五种不同的分类算法，它们各有优.
2021-05-01 22:46:57
352
原创 机器学习实战（六）
title: 机器学习实战（六）date: 2020-04-04 10:15:50tags: [SVM, SMO, 支持向量机]categories: 机器学习实战更多内容请关注我的博客这一章的内容非常多，在神经网络大火前，SVM是最优秀的机器学习算法，尽管现在已经很少用了，但作为一本七年前的书还是很详细的讲解了，所以这里简单的记录下。基于最大间隔分隔数据支持向量机优点：泛化错误率低，计算开销不大，结果易理解缺点：对参数调节和核函数选择敏感，原始分类器不加修改仅适用于处理二分类问题适.
2021-05-01 22:43:02
321
原创 机器学习实战（五）
title: 机器学习实战（五）date: 2020-04-01 09:15:50tags: [逻辑回归]categories: 机器学习实战更多内容请关注我的博客Logistic回归是一个最优化算法，比如如何在最短时间从A点到达B点？回归：假设我们有一些数据点，我们用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就叫做回归。根据现有的数据对分类边界线建立回归公式，依次进行分类。这里的“回归”一次源于最佳拟合，表示要找到最佳拟合参数集。Logistic回归的一般过程：.
2021-05-01 22:41:33
272
原创 机器学习实战（四）
title: 机器学习实战（四）date: 2020-03-21 10:15:50tags: [朴素贝叶斯]categories: 机器学习实战更多内容请关注我的博客前两章的分类器只能给出分类结果，而不能给出概率，这一章将学习一个最简单的概率分类器，朴素贝叶斯分类器。之所以称为朴素，是因为整个形式化过程只做最原始，最简单的假设。基于贝叶斯决策理论的分类方法朴素贝叶斯优点：在数据较少的情况下仍然有效，可以处理多分类问题缺点：对输入数据的准备方式较为敏感适用数据类型：标称型数据朴素贝.
2021-05-01 22:38:01
286
原创 机器学习实战（三）
title: 机器学习实战（三）date: 2020-03-06 10:15:50tags: [决策树, ID3]categories: 机器学习实战更多内容请关注我的博客决策树的简介你是否玩过二十个问题的游戏，就是你在脑海中想某个事物，向你提问二十个问题推测出你想的东西。这个游戏的原理和决策树类似，下面是一个判断垃圾邮件的决策树。决策树的构造决策树优点：计算复杂度不高，输出的结果易于理解，对中间值的缺失不敏感，可以处理不相关特征的数据缺点：可能会产生过度匹配的问题适用数据类型：.
2021-05-01 22:36:18
499
原创 机器学习实战（二）
title: 机器学习实战（二）date: 2020-02-18 11:20:50tags: [k-邻近算法, KNN]categories: 机器学习实战更多内容请关注我的博客k-邻近算法概述k-邻近算法采用测量不同特征之间的距离方法进行分类。优点：精度高，对异常值不敏感，无数据输入假定缺点：计算复杂度高，空间复杂度高适用数据范围：数值型和标称型准备使用Python导入数据首先写一个简单的程序来理解python是如何解析和加载数据的from numpy import *im.
2021-05-01 22:35:47
314
原创 机器学习实战（一）
title: 机器学习实战（一）date: 2020-02-18 11:20:50tags: [机器学习, 机器学习实战]categories: 机器学习实战更多内容请关注我的博客此blog是机器学习实战这本书的读书笔记机器学习基础用计算机来彰显数据背后真正的意义，这才是机器学习的真正含义。在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。训练样本必须知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。特征或者属性通常是训练样本集的列，它们是独立.
2021-05-01 22:24:37
528
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人