區(qū)塊鏈助推供應(yīng)鏈上的數(shù)據(jù)更加透明，供應(yīng)鏈上的企業(yè)可以準確的使用端到端的透明數(shù)據(jù)，區(qū)塊鏈技術(shù)可以有效的對供應(yīng)鏈上企業(yè)的交易進行數(shù)字化的處理，并且可以建立一個分散式的不可更改的所有交易記錄，可以實現(xiàn)數(shù)據(jù)的實時共享，有效的降低數(shù)據(jù)信息獲取的時間成本。

　　隨著區(qū)塊鏈技術(shù)的普及，智慧供應(yīng)鏈下的數(shù)字經(jīng)濟將會更加真實可信，隨著區(qū)塊鏈在供應(yīng)鏈領(lǐng)域的深入應(yīng)用與發(fā)展，未來的數(shù)字經(jīng)濟社會將會變得更加公正和透明。

　　“量化交易”有著兩層含義一是從狹義上來講，是指量化交易的內(nèi)容，將交易條件轉(zhuǎn)變成為程序，自動下單;

　　二是從廣義上來講，是指系統(tǒng)交易方法，就是一個整合的交易系統(tǒng)

　　數(shù)字經(jīng)濟是指以使用數(shù)字化的知識和信息作為關(guān)鍵生產(chǎn)要素、開發(fā)詳細唯：MrsFu123,以現(xiàn)代信息網(wǎng)絡(luò)作為重要載體、以信息通信技術(shù)的有效使用作為效率提升和經(jīng)濟結(jié)構(gòu)優(yōu)化重要推動力的一系列經(jīng)濟活動。通俗來說，數(shù)字經(jīng)濟是隨著信息技術(shù)革命發(fā)展而產(chǎn)生的一種新的經(jīng)濟形態(tài)。

　　import onnxruntime as ort

　　#加載ONNX模型

　　ort_session=ort.InferenceSession("model.onnx")

　　#準備輸入信息

　　input_info=ort_session.get_inputs()[0]

　　input_name=input_info.name

　　input_shape=input_info.shape

　　input_type=input_info.type

　　#運行ONNX模型

　　outputs=ort_session.run(input_name,input_data)

　　#獲取輸出信息

　　output_info=ort_session.get_outputs()[0]

　　output_name=output_info.name

　　output_shape=output_info.shape

　　開發(fā)方案I35源碼7O98系統(tǒng)O7I8

　　output_data=outputs[0]

　　print("outputs:",outputs)

　　print("output_info:",output_info)

　　print("output_name:",output_name)

　　print("output_shape:",output_shape)

　　print("output_data:",output_data)

　　torch.onnx.export(

　　model,

　　args,

　　f,

　　export_params=True,

　　opset_version=10,

　　do_constant_folding=True,

　　input_names=['input'],

　　output_names=['output'],

　　dynamic_axes=None,

　　verbose=False,

　　example_outputs=None,

　　keep_initializers_as_inputs=None)

　　import torch

　　import torchvision

　　import numpy as np

　　#定義一個簡單的PyTorch模型

　　class MyModel(torch.nn.Module):

　　def __init__(self):

　　super(MyModel,self).__init__()

　　self.conv1=torch.nn.Conv2d(3,32,kernel_size=3,stride=1,padding=1)

　　self.relu=torch.nn.ReLU()

　　self.maxpool=torch.nn.MaxPool2d(kernel_size=2,stride=2)

　　self.conv2=torch.nn.Conv2d(32,64,kernel_size=3,stride=1,padding=1)

　　self.flatten=torch.nn.Flatten()

　　self.fc1=torch.nn.Linear(64*8*8,10)

　　def forward(self,x):

　　x=self.conv1(x)

　　x=self.relu(x)

　　x=self.maxpool(x)

　　x=self.conv2(x)

　　x=self.relu(x)

　　x=self.maxpool(x)

　　x=self.flatten(x)

　　x=self.fc1(x)

　　return x

　　#創(chuàng)建模型實例

　　model=MyModel()

　　#指定模型輸入尺寸

　　dummy_input=torch.randn(1,3,32,32)

　　#將PyTorch模型轉(zhuǎn)為ONNX模型

　　torch.onnx.export(model,dummy_input,'mymodel.onnx',do_constant_folding=False)