數(shù)字藏品是指使用是指使用區(qū)域鏈技術(shù)，對應(yīng)特定的作品、藝術(shù)品生成的唯一數(shù)字憑證，在保護其數(shù)字版權(quán)的基礎(chǔ)上，實現(xiàn)真實可信的數(shù)字化發(fā)行，購買收藏和使用。

　　import os

　　import numpy as np

　　import torch

　　import torchvision

　　import onnx

　　import onnxruntime as ort

　　from model import CNN#need model structure

　　PATH=os.path.dirname(__file__)

　　NUM_TEST=1000

　　"""from pt to onnx"""

　　#get pt model

　　關(guān)于區(qū)塊鏈項目技術(shù)開發(fā)唯:MrsFu123，代幣發(fā)行、dapp智能合約開發(fā)、鏈游開發(fā)、多鏈錢包開發(fā)

　　交易所開發(fā)、量化合約開發(fā)、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)、

　　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)團隊，歡迎實體參考。

　　path_pt=os.path.join(PATH,"cnn.pt")

　　model_pt=torch.load(f=path_pt)

　　#dummy input

　　dummy_input=torch.randn(size=(1,1,28,28))

　　#save onnx model

　　path_onnx=os.path.join(PATH,"cnn.onnx")

　　區(qū)塊鏈數(shù)字藏品的特性

　　基于區(qū)塊鏈的數(shù)字藏品具備唯一性、不可分割、不可篡改、可驗證、稀缺性等技術(shù)特性：

　?。?）唯一性：每個數(shù)字藏品在特定鏈上都具備唯一標識，可以代表數(shù)字或現(xiàn)實世界中的某個資產(chǎn)對象。

　?。?）不可分割：每個數(shù)字藏品自身都不可分割，可代表特定的數(shù)字藏品。

　　（3）不可篡改：基于區(qū)塊鏈不可篡改的特性，使得數(shù)字藏品本身屬性及所有權(quán)信息、歷史交易記錄等信息在抗篡改的鏈式數(shù)據(jù)結(jié)構(gòu)中存儲記錄。

　?。?）可驗證：區(qū)塊鏈上信息公開透明，所有用戶均可查詢、驗證數(shù)字藏品的所有權(quán)信息。

　?。?）稀缺性：互聯(lián)網(wǎng)時代，信息復制門檻低，價值難受到認可。而區(qū)塊鏈數(shù)字藏品獨一無二、權(quán)屬明確，可永久保存，具備稀缺性，讓基于區(qū)塊鏈的數(shù)字藏品有更強的溢價能力。

　　input_names=['actual_input']+['learned_%d'%i for i in range(6)]

　　torch.onnx.export(model=model_pt,args=dummy_input,f=path_onnx,

　　verbose=True,input_names=input_names)#arg verbose:True to print log

　　"""load onnx model"""

　　#load onnx model開發(fā)邏輯I35模式7O98源碼O7I8

　　model_onnx=onnx.load(path_onnx)

　　#check if model well formed

　　onnx.checker.check_model(model_onnx)

　　#print a human readable representation of the graph

　　print(onnx.helper.printable_graph(model_onnx.graph))

　　#data input

　　test_data=torchvision.datasets.MNIST(root='./data',train=False)

　　test_data_x=torch.unsqueeze(input=test_data.test_data,dim=1).type(torch.FloatTensor)[:NUM_TEST]/255.

　　test_data_y=test_data.test_labels[:NUM_TEST]

　　"""run onnx model"""

　　#ort session initialize

　　ort_session=ort.InferenceSession(path_onnx)

　　#dummy input

　　outputs=ort_session.run(output_names=None,

　　input_feed={'actual_input':np.random.randn(1,1,28,28).astype(np.float32)})

　　print("result of dummy input:{}".format(outputs[0]),'n')

　　#test data,loop

　　num_correct=0

　　for i in range(NUM_TEST):

　　test_data_x_,test_data_y_=test_data_x[i:i+1],test_data_y<i>

　　outputs=ort_session.run(output_names=None,input_feed={'actual_input':test_data_x_.numpy()})

　　predict_y=np.argmax(outputs[0])

　　if predict_y==test_data_y_:

　　num_correct+=1

　　else:

　　print("predict result{},correct answer{}".format(predict_y,test_data_y_),'n')

　　accuracy=round(num_correct/NUM_TEST,3)

　　print("model accuracy:{}".format(accuracy),'n')