以太坊基金会公布3000万美元的网络开发预算细节

最新推荐文章于 2023-06-26 21:35:54 发布
最新推荐文章于 2023-06-26 21:35:54 发布
阅读量223 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/IJXR1A64JI53L/article/details/90454940
版权
640?wx_fmt=png 点击上方 “蓝色字” 可关注我们！







640?wx_fmt=jpeg

暴走时评： 在3月21日的官方博客文章中，以太坊基金会公开了计划在明年用于开发以太坊网络的3000万美元的具体分配方式。大部分资金将用于以太坊2.0项目，包括客户团队、研究、文档和沟通，以及像Plasma这样的第二层项目。

作者：Max Boddy  翻译：Maya

在3月21日的官方博客文章中，以太坊基金会宣布了一项三管齐下的方法，用来分配计划在明年用于开发以太坊网络的3000万美元。

这三个类别可以细分为未来的项目，预计投入1900万美元，开发中的项目，预计投入800万美元，以及开发者支持，预计投入300万美元。大部分资金将用于以太坊2.0项目，包括客户团队、研究、文档和沟通，以及像Plasma这样的第二层项目。

Plasma是由Vitalik Buterin和Joseph Poon在2017年首次提出的，它是帮助网络采用自动化智能合约的扩容解决方案。据白皮书称，Plasma可以使“区块链能够容纳全球范围内大量的去中心化金融应用”。

以太坊基金会于5月10日在ConsenSys的Ethereal峰会上首次公布了3000万美元的预算。执行董事Aya Miyaguchi随后表示，该基金会打算将学术参与带入以太坊，据称以太坊希望吸引顶级研究人员和开发人员，并向学术团队和机构提供资助。

正如Cointelegraph先前报道的那样，以太坊基金会于4月底宣布“重新发布”其社区网站。据称，该网站是一个存放以太坊社区创建的内容的存储库，例如使用以太坊工具的文档和教程。

本文仅代表作者个人观点，不代表区块链铅笔的立场，不构成投资建议，内容仅供参考。

640?wx_fmt=png

3分钟了解什么是区块链？（中文动画）|（英文动画教程）

3分钟了解什么是DAO?（中文动画）|（英文动画教程）

3分钟看懂以太坊和智能合约？（中文动画）|（英语动画教程）

3分钟了解比特币挖矿和区块链共识机制？（中文动画）|（英文动画教程）

3分钟了解公有链和私有链（中文动画教程）|（英文动画教程）

3分钟了解区块链的六层模型（中文动画教程）|（英文动画教程）

什么是区块链英文版（动画教程）

肖风：区块链与另类资产配置

逐鹿区块链！详解三大巨头BAT区块链战略布局

麦肯锡报告：区块链对保险行业的影响

八张图表解读区块链的未来发展

震惊全球的The DAO黑客事件全程回顾

Circle获得包括IDG、百度、万向在内6000万美元融资


关注本公众号后，进入公众号

回复关键词可以查阅资料，以下是部分关键词


回复 WEF ，查看《WEF：世界经济论坛认为区块链是互联网金融行业的未来报告》

回复 智能合约 ，查看《巴克莱银行报告》

回复 moody ，查看《穆迪120个区块链项目报告》

回复 SWIFT ，查看SWIFT《区块链对证券交易全流程产生的影响及潜力》报告

回复 论文11 ，查看论文《可扩展的去中心区块链》

回复 埃森哲2 ，查看埃森哲《区块链每年可以为投资银行节省120亿美元》报告

回复 联合国报告 ，查看联合国报告《数字货币和区块链技术在构建社会和可信金融之间扮演的角色》

回复 用户特性 ，查看普林斯顿大学首本比特币教科书初稿《比特币用户的特性（Characteristics of Bitcoin Users）》

回复 普林斯顿 ，查看普林斯顿大学首本比特币教科书初稿《比特币和数字货币技术（Bitcoin and Cryptocurrency Technologies）》

回复 IMF，查看国际货币基金组织报告《Virtual Currencies and Beyond: Initial Considerations》

回复 DTCC ，查看美国存管信托清算公司报告《DTCC: 拥抱分布式》

回复 广发 ，查看报告《科技前沿报告：区块链：正快速走进公众和政策视野》

回复 川财1 ，查看报告《川财证券：区块链技术调研报告之一：具有颠覆所有行业的可能性》

回复 川财2 ，查看报告《川财证券：区块链技术调研报告之二：区块链技术进化论-区块链技术的国内实践和展望》

回复 桑坦德 ，查看桑坦德银行报告《The Fintech 2.0 Paper: rebooting financial services》

回复 拜占庭 ，查看《拜占庭将军问题详解》

回复 论文1 ，查看论文《比特币闪电网络：可扩展的离线即时支付》

回复 论文2 ，查看论文《比特币骨干协议》

回复 论文3 ，查看论文《数字货币是否应该进入Barbados央行国际储备货币组合中》

回复 帮助 ，查看本公众号全部关键词列表

640?wx_fmt=jpeg

点击下方“阅读原文”查看更多，页面出现后再点击“来源”可以查看译文原文链接  ↓↓↓


区块链铅笔
关注
VC++常用功能开发汇总
dvlinker的技术专栏
04-19 12万+
VC++常用功能开发汇总
【机器学习】数据预处理-特征工程与特征选择
最新发布
m0_66584716的博客
08-27 1312
特征工程的处理流程为首先去掉无用特征，接着去除冗余的特征，如共线特征，并利用存在的特征、转换特征、内容中的特征以及其他数据源生成新特征，然后对特征进行转换（数值化、类别转换、归一化等)，最后对特征进行处理（异常值、最大值、最小值，缺失值等)， 以符合模型的使用。方差越大，特征所带的信息量越多。最近邻算法KNN，单棵决策树，支持向量机 SVM，神经网络，回归算法，都需要遍历特征或升维来进行运算，所以他们本身的运算量就很大，需要的时间就很长，因此方差过滤这样的特征选择对他们来说就尤为重要。
特征工程（sklearn）
铭霏的记事本
08-24 1万+
一、特征工程是什么         有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括以下方面：    　　特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包
特征工程代码包
10-22
包含八个代码文件，包括：特征抽取，特征选择，标准化，归一化，PCA，还有一些sklearn流行数据集的使用方法，以及kaggle大赛上的一个项目的数据分析阶段
sklearn做单机特征工程
Yaphat的博客
11-16 1886
目录 1 特征工程是什么？ 2 数据预处理 　　2.1 无量纲化 　　　　2.1.1 标准化 　　　　2.1.2 区间缩放法 　　　　2.1.3 标准化与归一化的区别 　　2.2 对定量特征二值化 　　2.3 对定性特征哑编码 　　2.4 缺失值计算 　　2.5 数据变换 　　2.6 回顾 3 特征选择 　　3.1 Filter 　　　　3.1.1 方差选择法
特征工程简介以及7种常用方法
endless/若风 - 计算机软件
03-08 2151
一、特征工程简介 简单说，特征工程是能够将数据像艺术一样展现的技术。因为好的特征工程很好的混合了专业领域知识、直觉和基本的数学能力； 本质上说，呈现给算法的数据应该能拥有基本数据的相关结构或属性 。当你做特征工程时，其实是将数据属性转换为数据特征的过程，属性代表了数据的所有维度，在数据建模时，如果对原始数据的所有属性进行学习，并不能很好的找到数据的潜在趋势，而通过特征工程对你的数据进行预处理的话，...
特征工程
会思考的蜗牛
06-12 2万+
七月在线4月机器学习算法班课程笔记——No.6 前言　　机器学习领域的大神Andrew Ng(吴恩达)老师曾说“Coming up with features is difficult, time-consuming, requires expert knowledge. “Applied machine learning” is basically feature engineering. ”表
【超全】一文详解机器学习特征工程(附代码)
Python学习与数据挖掘
04-17 4089
特征工程是使用专业背景知识和技巧处理数据，使得特征值（自变量）能在机器学习算法上发挥更好的作用的过程。python的sklearn库，对于特征工程的处理提供了强大的接口。 在本文中，我将详细介绍特征工程相关内容，喜欢记得收藏、关注、点赞。 【注】完整代码、数据、技术交流，文末见 内容目录 特征抽取/提取：将任意数据（文本、图像等）转化为可以用作机器学习的数字特征。文本类型–>数值型；分类型数据(字符串)–>数值型; 特征预处理 特征降维 数据探索 数据集的划分 训练集：7
软件开发源代码管理工具git常用总结
04-07
软件开发源代码管理工具git常用总结
机器学习--常用的特征工程方法
qq_44930315的博客
11-14 3394
1、特征选择介绍 （1）特征选择的定义 对当前学习任务有价值的属性称为是“相关特征”，没有价值的属性称为是“无关特征”，从给定的特征集中选择出相关特征子集的过程，就称为是“特征选择”。 　　其中还有一种特征称为是“冗余特征”，这些特征指的是可以从其他特征中推演出来的特征。 （2）特征选择的重要性 特征选择是一个“数据预处理”过程，它的重要性体现在两个方面： 　　1）减轻维度灾难问题。 　　2）去除...
C++常用软件分析工具从入门到精通案例集锦汇总
热门推荐
dvlinker的技术专栏
06-26 11万+
C++软件分析工具案例分析集锦！根据近几年C++软件异常排查的项目实践，详细地讲述如何使用PE工具、Dependency Walker、GDIView、Process Explorer、Process Monitor、API Monitor、Clumsy、DebugDiag、Windbg、IDA Pro等常用分析工具，以及如何使用这些工具去巧妙地分析和解决日常工作中遇到的问题，有很强的实战参考价值！
JavaScript数组常用的方法总结
孙叫兽的博客
09-01 5686
导读：在实际开发中，前端工程师除了写页面布局及样式还要对后端返回的数据进行处理，返回的数据大多数是json格式，一般都是返回一个对象或者数组，下面对常用的数组的使用方法进行总结，方便在开发中手到擒来！ 目录 数组常用方法 ​concat() 方法 join() 方法 pop() 方法 push() 方法 reverse() 方法 shift() 方法 slice() 方法 sort() 方法 splice() 方法 toSource() 方法 toString...
特征工程代码示例
weixin_30413739的博客
07-26 636
1.读入训练集与验证集数据train,test train = pd.read_csv('../input/train.csv') test = pd.read_csv('../input/test.csv') 2.将训练与验证集整合到一起，进行特征工程 具体实施：将这个数据集合整合到一个列表里面，data_full=[train,test]。通过列表的遍历操作对两个数据...
常用特征工程的方法
qq_40626659的博客
11-14 543
1. 时间 时间通常包含年、月、日、小时、分钟、秒钟。但是在很多的应用中，大量的信息是不需要的。比如在一个销量记录系统中，一般统计的为年、月、日的销量，很少具体到分、秒，这个实例中，因此我们仅需要提取部分维度即可。当我们在呈现时间的时候，试着保证你所提供的所有数据是你的模型所需要的。 （别忘了时区，假如你的数据源来自不同的地理数据源，别忘了利用时区将数据标准化。） 2. 分解类别属性 在分类型数据...
特征工程常用方法
向着光的那方
04-03 2133
特征工程 ●特征(feature) :数据中抽取出来的对结果预测有用的信息。 ●特征的个数就是数据的观测维度 ●特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程， ●特征工程一般包括特征清洗(采样、清洗异常样本)，特征处理和特征选择 ●特征按照不同的数据类型分类，有不同的特征处理方法 ---数值型 ---类别型 ...
常用的特征工程方法
super_jackchen的博客
11-14 864
文章目录什么是特征工程特征工程的常用处理方法1.时间戳处理2.数据类别属性编码化3.分箱/分区4. 交叉特征5. 特征选择6、特征缩放7.特征提取 什么是特征工程 简单说，特征工程是能够将数据像艺术一样展现的技术。因为好的特征工程很好的混合了专业领域知识、直觉和基本的数学能力； 本质上说，呈现给算法的数据应该能拥有基本数据的相关结构或属性 。当你做特征工程时，其实是将数据属性转换为数据特征...
特征工程常用方法总结
weixin_30740295的博客
10-22 872
类别型特征 Onehot encoding 长度为K的数组上的一个K编码。 基本方法：与大多数线性算法一起使用 删除第一列可避免共线性 稀疏格式对内存友好 大多数当前实现都不能优雅地处理缺失的、看不见的变量 例子： Hash encoding “OneHot-encodin...
Python深度学习数据处理方法及代码实现
04-06
Python是一种非常流行的编程语言，尤其在数据处理和深度学习领域中应用广泛。在本文中，我们将介绍Python中的一些常用数据处理方法和深度学习技术，并提供代码示例。 数据处理方法 1. 数据清洗 数据清洗是指将原始数据转换为可用于分析和建模的数据。数据清洗通常包括以下几个方面： - 缺失值处理：删除或填充缺失值 - 异常值处理：检测和处理异常值 - 数据类型转换：将数据转换为适合分析的类型 - 去重处理：删除重复行或列 以下是一个简单的数据清洗示例，其中我们使用Pandas库来处理数据： ```python import pandas as pd # 读取数据 df = pd.read_csv('data.csv') # 删除缺失值 df.dropna(inplace=True) # 检测和处理异常值 df = df[df['age'] > 0] # 数据类型转换 df['age'] = df['age'].astype(int) # 删除重复行 df.drop_duplicates(inplace=True) # 保存清洗后的数据 df.to_csv('cleaned_data.csv', index=False) ``` 2. 特征工程 特征工程是指从原始数据中提取有用的特征来描述数据。特征工程通常包括以下几个方面： - 特征选择：选择最相关的特征 - 特征提取：从原始数据中提取有用的特征 - 特征转换：将特征转换为适合分析的形式 以下是一个简单的特征工程示例，其中我们使用Scikit-learn库来处理数据： ```python import pandas as pd from sklearn.feature_selection import SelectKBest, f_classif # 读取数据 df = pd.read_csv('data.csv') # 特征选择 X = df.drop('label', axis=1) y = df['label'] selector = SelectKBest(score_func=f_classif, k=10) X_new = selector.fit_transform(X, y) # 特征提取 from sklearn.decomposition import PCA pca = PCA(n_components=2) X_new = pca.fit_transform(X) # 特征转换 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_new = scaler.fit_transform(X) ``` 深度学习技术 1. 神经网络 神经网络是一种模仿生物神经网络工作方式的计算模型，通常用于分类、回归等任务。以下是一个简单的神经网络示例，其中我们使用Keras库来构建神经网络： ```python import numpy as np import keras from keras.models import Sequential from keras.layers import Dense # 生成数据 X = np.random.rand(1000, 10) y = np.random.randint(0, 2, size=(1000, 1)) # 构建神经网络 model = Sequential() model.add(Dense(32, activation='relu', input_dim=10)) model.add(Dense(1, activation='sigmoid')) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) # 训练神经网络 model.fit(X, y, epochs=10, batch_size=32) # 预测新数据 X_new = np.random.rand(10) y_pred = model.predict(X_new.reshape(1, -1)) ``` 2. 卷积神经网络 卷积神经网络是一种特殊的神经网络，通常用于图像识别和语音识别等任务。以下是一个简单的卷积神经网络示例，其中我们使用Keras库来构建卷积神经网络： ```python import numpy as np import keras from keras.models import Sequential from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten # 生成数据 X = np.random.rand(1000, 28, 28, 1) y = np.random.randint(0, 10, size=(1000, 1)) # 构建卷积神经网络 model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, kernel_size=(3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(10, activation='softmax')) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) # 训练卷积神经网络 y_one_hot = keras.utils.to_categorical(y, 10) model.fit(X, y_one_hot, epochs=10, batch_size=32) # 预测新数据 X_new = np.random.rand(28, 28, 1) y_pred = model.predict(X_new.reshape(1, 28, 28, 1)) ``` 总结 本文介绍了Python中常用的数据处理方法和深度学习技术，并提供了相应的代码示例。这些技术可以帮助您更好地处理和分析数据，以及构建更准确和有效的深度学习模型。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值