基于mcat开发智能合约应用(三)编码自动化与合约交互

#### 前言

上一节中演示了怎么通过手动去部署合约方法和调用合约方法,生产环境下部署合约可能只是一次性操作,但是与合约交互是一个高频操作,而且还需要夹杂其它的业务逻辑,这就需要编码来实现与合约交互。调用合约方法的过程,可以分为两类,一种是需要修改账本数据的,那么它必须是一笔交易,否则只在本地执行是没有实际意义的;另外一种是查询操作,比如查询合约的某个状态变量值,那么它是`constant`类型的,并不需要修改账本,那么这个调用只用在本地节点执行即可,无需消耗gas,也不需要被矿工打包,可即时返回结果。

#### 使用php编码与合约进行交互

`mcat`提供了一个serve的功能,它的作用是起一个本地的server,监听指定的端口(mcat.yaml里面配置),把需要调用的合约方法和参数传进去,它会帮你计算出transaction data字段的字节码。

启动mcat server

```

luren5@ubuntu:~$ mcat serve

server has been started, listening 50729

```

编写php代码与合约交互

```

<?php

class Ballot {

// 投票发起人

public $chairperson;


//

function giveRightToVote($voter_addr, $voter_name) {

$data = array(

'method'=> 'TxData.Detail',

'params'=> array(array(

"Contract" => "Ballot",

"Function" => "giveRightToVote",

"Params" => sprintf("%s&%s", $voter_addr, $voter_name)

)),

'id'=> 1

);

$txDatail = getDataDetail($data);

$txDatail = json_decode($txDatail, true);

$gas = $txDatail["Gas"];

$bin = $txDatail["Bin"];


$txHash = sendTransaction($gas, $bin);

echo sprintf("Success in call giveRightToVote with params (%s, %s), the tx hash is %s \r\n", $voter_addr, $voter_name, $txHash);


}


}


// utils

function getDataDetail($data) {

$url = "localhost:50729"; // 这里是mcat server的信息

$r = sendPost($url, $data);

$r = json_decode($r, true);


if(empty($r["error"])) {

return $r["result"];

} else {

echo "Failed to get the tx data detail, err: ", $r["error"];

exit();

}

}


function sendPost($url, $data) {

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, $url);

curl_setopt($ch, CURLOPT_POST, 1);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);

curl_setopt($ch, CURLOPT_HTTPHEADER, array('Content-Type: application/json'));

curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data));

$res = curl_exec($ch);

return $res;

}


function sendTransaction($gas, $bin) {

unlock(); // 发交易之前需要对默认账户进行解锁

$data = array(

"id" => 1,

"method" => "eth_sendTransaction",

"params" => array(array(

"from" => "0x0b9498ca74cd7814fba0c25e2a441c1d5867946a", // 这里是默认发交易的地址,也是合约的创建者

"to" => "0xd2548bb40fe57aa9e66aeafbc1f6a44c9d8b9532", // 这里是合约账户地址

"gas" => $gas,

"data" => $bin

))

);

$url = "localhost:8090";

$r = sendPost($url, $data);

$r = json_decode($r, true);

if(!empty($r["result"])) {

return $r["result"] ;

} else {

echo "Failed to send transaction";

exit();

}

}


function unlock() {

$default_account = "0x0b9498ca74cd7814fba0c25e2a441c1d5867946a";

$default_account_password = "123456";

$data = array(

"method" => "personal_unlockAccount",

"params" => array(

$default_account, $default_account_password,

),

"id" => 1

);

$url = "localhost:8090";

$r = sendPost($url, $data);

$r = json_decode($r, true);

if ($r["result"] != true) {

echo "Failed to unlock the default account";

exit();

}

}


$b = new Ballot();

$b->giveRightToVote("0xab4c1e40f28f00c8c79d77c6079437bbd5ab6cd1", "voter3");

```

执行

```

luren5@ubuntu:~$ php test.php

Success in call giveRightToVote with params (0xab4c1e40f28f00c8c79d77c6079437bbd5ab6cd1, voter3), the tx hash is 0x2ea6103b38e819ca72cd7ca0b2c9ccbae92828d1140913d2cf63c3593845e26d

```

等待交易被打包后,这个调用授权方法的操作即成功了,调用合约其它的方法也是类似


原文地址: https://zhuanlan.zhihu.com/p/29786430

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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