馬蹄鏈(Horse Chain)是一種基于區(qū)塊鏈技術的數(shù)字貨幣,它由馬蹄鏈網絡發(fā)行和維護。區(qū)塊鏈是一種分布式數(shù)據(jù)存儲技術,它通過使用密碼學方法,在不同的計算機節(jié)點之間共享數(shù)據(jù),形成一條鏈式結構。每個節(jié)點都可以存儲和傳遞數(shù)據(jù),并通過共識機制確保數(shù)據(jù)的安全性和可靠性。

　　本質上來說，智能合約是一段程序，它以計算機指令的方式實現(xiàn)了傳統(tǒng)合約的自動化處理。智能合約程序不只是一個可以自動執(zhí)行的計算機程序，它本身就是一個系統(tǒng)參與者，對接收到的信息進行回應，可以接收和儲存價值，也可以向外發(fā)送信息和價值。這個程序就像一個可以被信任的人，可以臨時保管資產，總是按照事先的規(guī)則執(zhí)行操作。

　　簡單講，智能合約就是雙方在區(qū)塊鏈資產上交易時，觸發(fā)執(zhí)行的一段代碼，這段代碼就是智能合約。提前規(guī)定好合約的內容，當在滿足觸發(fā)合約條件的時候，程序就會自動執(zhí)行合約內容。

　　torch.onnx.export():將pytorch模型轉換為.onnx模型

　　torch.onnx.export(model,args,f,export_params=True,verbose=False,training=False,input_names=None,output_names=None,aten=False,export_raw_ir=False,operator_export_type=None,opset_version=None,_retain_param_name=True,do_constant_folding=False,example_outputs=None,strip_doc_string=True,dynamic_axes=None,keep_initializers_as_inputs=None)

　　參數(shù)

　　model(torch.nn.Module)–要導出的模型.

　　關于區(qū)塊鏈項目技術開發(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，成熟技術團隊，歡迎實體參考。

　　----args(tuple of arguments)–模型的輸入,任何非Tensor參數(shù)都將硬編碼到導出的模型中；任何Tensor參數(shù)都將成為導出的模型的輸入，并按照他們在args中出現(xiàn)的順序輸入。因為export運行模型，所以我們需要提供一個輸入張量x。只要是正確的類型和大小，其中的值就可以是隨機的。請注意，除非指定為動態(tài)軸，否則輸入尺寸將在導出的ONNX圖形中固定為所有輸入尺寸。在此示例中，我們使用輸入batch_size 1導出模型，但隨后dynamic_axes在torch.onnx.export()。因此，導出的模型將接受大小為[batch_size，3、100、100]的輸入，其中batch_size可以是可變的。

　　----export_params(bool,default True)–如果指定為True或默認,參數(shù)也會被導出.如果你要導出一個沒訓練過的就設為False.

　　----verbose(bool,default False)-如果指定，我們將打印出一個導出軌跡的調試描述。

　　----training(bool,default False)-在訓練模式下導出模型。目前，ONNX導出的模型只是為了做推斷，所以你通常不需要將其設置為True。

　　----input_names(list of strings,default empty list)–按順序分配名稱到圖中的輸入節(jié)點

　　----output_names(list of strings,default empty list)–按順序分配名稱到圖中的輸出節(jié)點

　　----dynamic_axes–{‘input’:{0:‘batch_size’},‘output’:{0:‘batch_size’}})#variable lenght axes

　　import torch.nn as nn

　　class CNN(nn.Module):開發(fā)功能I35源碼7O98案例O7I8

　　def __init__(self):

　　super(CNN,self).__init__()

　　self.conv1=nn.Sequential(

　　nn.Conv2d(in_channels=1,out_channels=16,kernel_size=(3,3),stride=(1,1),padding=1),

　　nn.ReLU(),

　　nn.MaxPool2d(kernel_size=2)#for 28*28 to 14*14

　　)

　　self.conv2=nn.Sequential(

　　nn.Conv2d(in_channels=16,out_channels=32,kernel_size=(3,3),stride=(1,1),padding=1),

　　nn.ReLU(),

　　nn.MaxPool2d(kernel_size=2)#for 14*14 to 7*7

　　)

　　self.output=nn.Linear(32*7*7,10)

　　def forward(self,x):

　　out=self.conv1(x)

　　out=self.conv2(out)

　　out=out.view(out.size(0),-1)#flatten the 32*7*7 dimension to 1568

　　out=self.output(out)

　　return out