你必须为你的NFT项目做4次计算

如今,NFT行业正在走向月球!我们听到很多人谈论NFT的未来以及他们通过出售NFT赚了多少钱。并且由于区块链技术,您也不需要任何文书工作或大量资金来出售您的NFT。

构建NFT集合并不难。它需要三个步骤:设计、营销和铸造。最好组建一个3人的团队并分工。但是你可以自己做所有这些。

与数学不同,我们都知道衡量艺术品是主观的。然而,有时艺术家也会利用数学来创造更优雅的艺术。在《蒙娜丽莎》中,达芬奇使用黄金比例来绘制身体和面部比例。

因此,我与您分享4个计算方法,这将帮助您提高NFT艺术:

1.一个集合中的NFT数量

我们每天都会看到数百个NFT集合出现。他们中的大多数人拥有大约10,000个独特的NFT。当然,它们并不是完全独一无二的,因为所有这些NFT都有一个共同的主要特征,但它们在某些细节上有所不同。

 

以著名的Cryptopunks系列为例。主角有特定的层:头发、眼睛、嘴巴等。因此,集合中的每个NFT都包含相同的层,但有不同的变化。

  1. 头发层有野毛、帽子或没有头发的变化。
  2. 嘴层有香烟、医用口罩或微笑的变体。

那么使用这些变体可以生成多少个NFT?好吧,使用组合:

NFTs的数量=∏(每层的变体数量)

这个等式意味着,如果你想得到集合中NFT的数量,取每一层的变体数量,然后将它们相乘。

例如,如果你的头发层有5个变体,眼睛层有6个变体,嘴层有10个变体,那么你可以生成5*6*10=300个独特的NFT。

提示:要制作10,000个NFT,您只需要4层,每层有10个变体!

2.层数和特质稀有度

来自公海

稀有因素是您可以添加到NFT收藏中的最强大的东西。您收藏中最稀有的NFT将是市场上最有价值的NFT。

为了使某些NFT比其他更稀有,您需要为它们的变化设置规则(有时称为特征)。您可以将这些规则称为特质的稀有性。并且结合稀有特征将产生稀有的NFT。

这些规则可能如下所示:

  1. 50%的NFT有黑头发。
  2. 30%的NFT有棕色头发。
  3. 20%的NFT有白发。

这将使任何有白头发的NFT都比其他NFT更有价值。下面的公式可以计算一个特质的稀有度

特征的稀有度=(具有该特征的NFT数量/NFT总数)*100

但有时你可能需要一些没有特定层的NFT(例如,没有头发)。好吧,这可以用图层的稀有度来指定。100%层的稀有性意味着集合中的任何NFT都具有该层的特征之一。而0%层的稀有度意味着该层不会出现在整个集合中。

层的稀有度=(该层的NFT数量/NFT总数)*100

然后你的新特性的稀有度可以用这个来计算:

特质稀有度=特质稀有度*(层稀有度/100)

确保列出所有特征的稀有度。无论您是聘请程序员生成NFT还是自己动手,这都会对您有所帮助。

3.稀有度分数

来自Zoot链

正如我前面提到的,具有最稀有特征的NFT是最稀有的。但这只有在我们拥有一层特征时才成立。我们需要一种更复杂的方法来确定具有多层特征的NFT的稀有性。这里是稀有度评分方法。

稀有度分数是衡量NFT在集合中的稀有程度的数字。通常,得分最高的NFT是最稀有的。

有许多方法可以计算NFT的稀有度分数。rarity.tools应用它的最常见方法是使用特征分数:

特质分数=100/特质稀有度

然后是NFT的稀有度分数:

NFT的稀有度得分=∑NFT的特征得分

这意味着NFT的稀有度分数等于其所有特征分数的总和。

4.稀有度分布

这与几何关系比实际计算更重要。但这是分析您的整体收藏稀有度的一种非常重要的方法。

您可以通过绘制图表来说明您的稀有度分布。图表的x轴代表您的NFT(资产),而图表的y轴代表它们对应的稀有度分数。

Zoot链的稀有度分布图。

这就像指数增长图。这就是您希望通过稀有设置实现的分发类型。您的绝大多数NFT在收藏中都很常见,极少数NFT非常罕见。

这些是我在NFT项目中遇到的最与数学相关的问题。将一些数学应用于艺术真的很有趣。

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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