- 博客(21)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Solidity迁移Flow Cadence指南13-Flow 1000+合约大数据分析
熟读唐诗三百首，不会做诗也会吟，Flow合约哪里读？自然是链上了，Flow的链上合约都是开源的，只要知道合约地址，都可以直接使用API获得具体的合约代码。本节就把flow链上的主要合约下载下来，然后分析，哪些可以读，哪些可以抄@#￥@#￥数据来源本文主要分析合约账号数据，在以太坊中，可以通过地址的code类型来判断是否为合约地址，Flow中也是类似的，Flow账号的数据结构如下所示：message Account { bytes address uint64 balance bytes code r
2022-06-23 22:43:08
3430
原创 以太坊Solidity迁移Flow Cadence指南7-ERC20/TOKEN迁移
Flow作为专门为NFT设计的区块链，其合约语言主要侧重于NFT功能，当然，实现基本的ERC20 token 更不在话下。由于ERC20合约相对比较简单，迁移也比较容易，因此，本节在完成迁移讲解的同时，重点对比下ERC20 token和Flow token合约的差异，并探讨下Flow的token 空投问题。标准ERC20合约分析以太坊ERC20 Token核心功能大致是这样的：contract ERC20Basic {mapping(address => uint256) balances; // 余额fu
2022-06-17 21:56:54
2688
原创 以太坊Solidity迁移Flow Cadence指南8-ERC721/NFT迁移
序言本小节是本系列短文的核心章节，主要介绍如何将solidity标准的ERC721合约迁移到flow cadence，大家前面也学了这么多了，就看这一节了！！！什么？前面几节都没看到。本来2022.5月就要写完的，结果5月笔者一直足不出户在家办公，主要在研究如下内容： 图 1 用做菜的思路迁移代码笔者发现，有一种叫做“预制菜”的东西，不用开荒种地，不用掌握油盐酱醋配比，锅里一放，简单炒炒就是等级厨师的作品了。。。嗯，solidity ----> cadence 迁移是否也能采用“预制菜”模式呢？给你想要的！
2022-06-16 16:18:51
2869
原创 以太坊solidity迁移flow cadence指南11 ---NFT盲盒应用
NIST Warning：阅读本文，需要至少幼儿园中班数学水平，要能数到10！对那些只会1以内加法的码农，请在有经验的码农陪同下观看本文。背景知识本节主要介绍cadence随机数在盲盒中的应用。盲盒玩法是很多NFT的首选，从NBA Top Shot 到冰墩墩，都是如此。区块链盲盒最大的魅力就在于其“公平、公正、公开”的随机性。而如何保证这个“随机性”，则是盲盒合约编写的关键。这里就先介绍一点点数学背景知识：首先，计算机基本是无法产生真正“随机数”的，主要是计算机的精度总是有限的。当然，计算机可以产生在大家有
2022-06-06 22:49:08
556
原创 以太坊Solidity迁移Flow Cadence指南-0：前言
本文主要面向有一点区块链合约开发基础的码农，写过solidity等语言，希望看看新的Flow区块链是怎么样的，为什么NBA、冬奥会都选择了flow区块链发行NFT，以及是否能快速迁移到Flow。首先还是讲一个大家最常问的问题，为什么选择Flow？类似的文章也非常多了。不过，不认可的还是不认可@#￥@#￥，主要还是因为从未真正了解过。这里笔者就直接PUA 了：“面向资源的编程，才是NFT的未来”。真正写了、部署了flow合约，才能体验到flow的魅力，谁用谁知道。图1 Flow/C..
2022-05-31 00:26:40
189
原创 hadoop2.0 做spider下载集群的设置
hadoop一般设置中，一个map或者reduce用到的内存一般设置是1G内存，但作为下载来用，显然是浪费的，一个下载代码用到的内存顶多几十M，而且因为主要耗时是在网络，因此一个cpu可以做几十个下载进程都没啥问题。hadoop一般一个cpu就只跑一个map/reduce. 因此需要对hadoop的设置进行优化，否则就太浪费了。最核心的设置如下，这里用的是阿里云的云服务器
2015-06-27 22:41:14
988
原创 分词研究中的最小描述长度(Minimum description length)方法
a bab a ba MDL(minimum description length,最小描述长度) 原理是 Rissane 在研究通用编码时提出的。其基本原理是对于一组给定的实例数据 D ， 如果要对其进行保存 ，为了节省存储空间， 一般采用某种模型对其进行编码压缩，然后再保存压缩后的数据。同时， 为了以后正确恢复这些实例数据，将所用的模型也保存起来。所以需要保存的数据长度(
2014-05-09 11:08:54
8646
原创 蛋白质二级结构预测－Chou-Fasman预测方法
Chou和Fasman提出了二级结构的经验规则，其基本思想是在序列中寻找规则二级结构的成核位点和终止位点。在具体预测二级结构的过程中，首先扫描待预测的氨基酸序列，利用一组规则发现可能成为特定二级结构成核区域的短序列片段，然后对于成核区域进行扩展，不断扩大成核区域，直到二级结构类型可能发生变化为止，最后得到的就是一段具有特定二级结构的连续区域。下面是4个简要的规则：1、α螺旋规则
2014-04-03 13:13:07
9511
原创 做一个新闻阅读类的app(1): 概要设计
学习做一个新闻阅读类的app，最简单的，只两个界面1 列表页，简单列出文章标题，发表时间等列表。列表页内容通过一个http服务，拉取json格式的数据。2 内容页，展示文章的详细内容。 列表页用ListView控件，而内容页则采用webview来直接加载网页链接，由于网页很多都是pc的，需要转成移动端可以阅读的，目前常用的转码服务：1 baidu的。http://ga
2014-03-10 22:40:53
1479
原创 统计分词/无字典分词学习(7): 模型方法
前面几篇讨论的统计分词基本都是基于这样一个理念，首先，把所有的ngram片段都当成候选词，这些ngram的概率可以用极大似然估计获得；然后，选择一系列指标来过滤这些ngram片段，主要的指标包括词频、互信息、边界熵三个指标，对每个指标，又可以有不同的变形，此外还有形式熵等其他的一些类似指标。但这种做法，存在一个主要问题是，如何选取不同指标的阈值，来构造最终的词典，实践中，往往就是反复的做实验，
2014-01-03 14:44:11
1580
原创 统计分词/无字典分词学习(5):候选片段的过滤方法，边界稳定性
互信息主要是过滤掉那些内部结合不紧密的片段，但只过滤掉了3%的无意义片段，而我们会发现，大量的不是词的片段是这样的形式：informa、informat、informati，informatio这样的，属于information这个高频词一部分的片段。这些片段因为是某个词的一部分，因此，有这样一个明显的特点，就是其后续的一个字母或者几个字母非常固定。如informa，后续的一个字母只有l和
2013-12-26 18:07:57
1118
原创 统计分词/无字典分词学习(4):候选片段的过滤方法，互信息过滤
从上一篇文章的分析中可以看到，top100万的片段中，只有不到3万是真正的词，因此，我们要把一些不是词的片段给过滤掉。一个片段要成为一个词，首先其内部的字母之间连接要足够紧密。一般可以用mi来衡量这个指标，如两个字母"h","e"要成为一个词，其出现的概率P("he")应该大于其完全独立的概率，即P("he")>P("h")P("e")，这时，我们才认为“he”是一个词。而对于“she”这样多
2013-12-26 14:28:37
1184
原创 统计分词/无字典分词学习(3):分词效果评价和基线
在上一篇文章中，我们已经有了100万个候选词和其对应的词频，利用这些数据，我们已经可以进行分词了，就是利用前面分词介绍中的最大概率分词。我们将标准词典分出来的词和利用这100万个词的候选词典，对同一个句子进行分词，然后比较两者的分词结果，就可以获得分词的准确率和覆盖率。其中准确率就是候选词典分出来的词，在标准分词中出现的比例，而覆盖率，则是标准分词中在候选词典分词的结果中出现的比例。如
2013-12-26 13:02:27
1370
原创 统计分词/无字典分词学习(2):n-gram词频统计
我们现在面对的是“wheninthecourseofhumaneventsitbecomesnecessary”这样一堆语料，要获取词典，怎么办？第一步肯定是找到所有可能是词的片段了，常用的方法就是n-gram切分了，如假设词的最大长度是3，则句子“abcd”的n-gram切分就是：1-gram切分：a b c d2-gram切分：ab bc cd3-gram切分：abc bcd
2013-12-25 19:23:25
7400
原创 统计分词/无字典分词学习(1):介绍和语料准备
分词算法中，一般都需要一个词典，但这些词典往往很难覆盖所有的词，特别是在一些专业领域，甚至有超过40%的词都不在词典里面，这样首先就需要“学习”大量的新词，否则分词准确性很难提高，进一步的，有研究就干脆不要词典了，由算法自动从大量的语料中学得一个词典，这就是统计分词，或者成为无字典分词。一般就只预设一个小规模的词典，后者没有词典，首先从大量的未标注语料，也就是生语料中学习出一个词典，然后利用这个词
2013-12-24 19:22:45
1800
1
原创 分词学习(3)，基于ngram语言模型的n元分词
最大概率分词中，认为每个词的概率都是独立的，但是有一部分词，其切分却与前一个词密切相关，特别是中文分词中更为明显，英文中就是如上一篇文章中的“tositdown”的例子。 这样就可以使用2元模型，就是如一个分割形式"ab cde f"的概率，如果按照1-gram计算：P(ab cde f) = P(ab)*P(cde)*P(f)如果按照2-gram计算：P(ab cde
2013-12-24 17:42:32
10552
原创 分词学习(2)，最大概率分词
目前开源分词里面，最常用的还是最大概率分词，就是针对一个序列，获得一个概率最大的分词方式。如“abcde”，可能的分法有“abc de”，“a b cde”等等共2^(n-1)种,n为字符串的长度，如果取全部的切分形式，计算量会非常大。 我们一般会采用n-gram模型，就是假设一个词只与前n个词有关系，如n=1，就是假设所有的词都是独立的，因此一个分割形式的概率，就是各个分割词的概
2013-12-24 16:56:38
3074
原创 分词学习(1)--正向最大匹配分词
汉字分词最简单的就是正向最大匹配分词了，其基本原理很简单，而且经常作为笔试题。 该算法主要分两个步骤：1 一般从一个字符串的开始位置，选择一个最大长度的词长的片段，如果序列不足最大词长，则选择全部序列。2 首先看该片段是否在词典中，如果是，则算为一个分出来的词，如果不是，则从右边开始，减少一个字符，然后看短一点的这个片段是否在词典中，依次循环，逐到只剩下一个字。3
2013-12-24 15:06:00
1434
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人