Polygon當(dāng)下使用的以太坊擴容的方案包含兩種擴容解決方案，Plasma鏈和PoS鏈：

　　Matic PoS Chain，官方稱之為“提交鏈”（commit chain）。它不同于側(cè)鏈，盡管Matic PoS Chain有自己的共識機制，但在驗證節(jié)點staking和檢查點方面，它也依賴于以太坊的安全性。它與以太坊鏈并行運行，且該鏈由具有自身驗證節(jié)點的權(quán)益證明共識機制來保護，保證了它的去中心化特性。此外，Matic PoS Chain與以太坊虛擬機（EVM）兼容，那些基于以太坊的項目可便捷地遷移其智能合約至Matic PoS鏈上。

　　Polygon的愿景是建立Ethereum的區(qū)塊鏈互聯(lián)網(wǎng)。從本質(zhì)上講，Polygon提供了一個通用的框架，允許開發(fā)者創(chuàng)建定制的、特定于應(yīng)用的鏈，利用Ethereum的安全性，以及提供一個可互操作的網(wǎng)絡(luò)，將各種不同的擴展解決方案聯(lián)系在一起，如Zk-rollups、optimistic-rollups和側(cè)鏈。

　　import torch

　　import torch.utils.data as data

　　import torchvision

　　import matplotlib.pyplot as plt

　　DOWNLOAD_MNIST=False#if need to download data,set True at first time

　　#read train data

　　train_data=torchvision.datasets.MNIST(

　　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。

　　關(guān)于區(qū)塊鏈項目技術(shù)開發(fā)唯:yy625019，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。

　　root='./data',train=True,download=DOWNLOAD_MNIST,transform=torchvision.transforms.ToTensor())

　　print()

　　print("size of train_data.train_data:{}".format(train_data.train_data.size()))#train_data.train_data is a Tensor

　　print("size of train_data.train_labels:{}".format(train_data.train_labels.size()),'n')

　　#plot one example

　　plt.imshow(train_data.train_data[50].numpy(),cmap='Greys')

　　plt.title('{}'.format(train_data.train_labels[50]))

　　plt.show()開發(fā)需求I35模式7O98設(shè)計O7I8

　　#data loader

　　#combines a dataset and a sampler,and provides an iterable over the given dataset

　　train_loader=data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)

　　#read test data

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

　　num_test,num_test_over=2000,1000

　　test_x=torch.unsqueeze(test_data.test_data,dim=1).type(

　　torch.FloatTensor)[:num_test]/255.#unsqueeze because of 1 channel;value in range(0,1)

　　test_y=test_data.test_labels[:num_test]

　　test_over_x=torch.unsqueeze(

　　test_data.test_data,dim=1).type(torch.FloatTensor)[-num_test_over:]/255.#test data after training

　　test_over_y=test_data.test_labels[-num_test_over:]