Web3的核心創(chuàng)新之一是基于區(qū)塊鏈技術(shù)帶來的分布式共識，其愿景是把共識數(shù)字化、編碼化、去信任中介化，這意味著用戶可以與陌生人達(dá)成有約束力的協(xié)議，而不需要依賴任何中介或中心化機(jī)構(gòu)，加密貨幣是這種技術(shù)的初步應(yīng)用，而Web3的愿景在于用同樣的技術(shù)基礎(chǔ)來變革其他形式的人類互動。

　　Web3.0通過將信息交互從屏幕轉(zhuǎn)移到物理空間，改變了終端用戶體驗(yàn)，因而也有稱Web3.0為“空間網(wǎng)絡(luò)（Spatial Web）”。該“空間網(wǎng)絡(luò)”包括空間交互層（利用智能眼鏡或語音等實(shí)現(xiàn)實(shí)時信息交互）、數(shù)字信息層（借助傳感和數(shù)字映射為每一個對象創(chuàng)建數(shù)字孿生）和物理層（通過感觀了解和體驗(yàn)的世界）。

　　VR/AR是空間網(wǎng)絡(luò)的主要網(wǎng)關(guān)，AI/ML促進(jìn)與機(jī)器或設(shè)備的交互，5G/6G等新一代網(wǎng)絡(luò)通信技術(shù)和邊緣計算是優(yōu)化交互體驗(yàn)的使能技術(shù)，區(qū)塊鏈促進(jìn)實(shí)現(xiàn)真正開放民主的生態(tài)系統(tǒng)。

　　def image_preprocess(image_names,image_name_suffix):

　　input_data=[]

　　labels=[]

　　for image_name in image_names:

　　label=get_image_label(image_name,image_name_suffix)

　　labels.append(label)

　　關(guān)于區(qū)塊鏈項(xiàng)目技術(shù)開發(fā)唯:MrsFu123，代幣發(fā)行、dapp智能合約開發(fā)、鏈游開發(fā)、單雙幣質(zhì)押、多鏈錢包開發(fā)、NFT盲盒游戲、公鏈、鏈上游戲開發(fā)

　　Uniswap、交易所開發(fā)、量化合約開發(fā)、合約對沖、互助游戲開發(fā)、Nft數(shù)字藏品開發(fā)、眾籌互助開發(fā)、元宇宙開發(fā)、swap開發(fā)、DAO智能合約、

　　夾子合約、鏈上合約開發(fā)、ido開發(fā)、商城開發(fā)等，開發(fā)過各種各樣的系統(tǒng)模式，更有多種模式、制度、案例、后臺等，成熟技術(shù)團(tuán)隊(duì)，歡迎實(shí)體參考。

　　img=CV2.imread(image_name,CV2.IMREAD_GRAYSCALE)

　　img=CV2.resize(img,(32,32))

　　#MNIST圖像背景為黑色,而測試圖像的背景色為白色,識別前需要做轉(zhuǎn)換

　　img=CV2.bitwise_not(img)

　　norm_img=CV2.normalize(img,None,alpha=0,beta=1,norm_type=CV2.NORM_MINMAX,dtype=CV2.CV_32F)

　　norm_img=norm_img.reshape(1,1,32,32).astype('float32')

　　#print(f"img type:{type(norm_img)},shape:{norm_img.shape}")

　　input_data.append(norm_img)

　　return input_data,labels

　　def softmax(x):

　　x=x.reshape(-1)

　　e_x=np.exp(x-np.max(x))

　　return e_x/e_x.sum(axis=0)

　　def postprocess(result):

　　return softmax(np.array(result)).tolist()

　　def inference(model_name,image_names,input_data,labels):

　　session=onnxruntime.InferenceSession(model_name,None)

　　#get the name of the first input of the model

　　input_name=session.get_inputs()[0].name

　　count=0

　　for data in input_data:

　　raw_result=session.run([],{input_name:data})

　　res=postprocess(raw_result)

　　idx=np.argmax(res)

　　image_name=image_names[count][image_names[count].rfind("/")+1:]

　　print(f"image name:{image_name},actual value:{labels[count]},predict value:{idx},percentage:{round(res[idx]*100,4)}%")