馬蹄鏈智慧合約DAPP開發需求丨馬蹄鏈智慧合約DAPP質押挖礦系統開發（開發案例）

　　什麼是DAPP？DAPP是Decentralized Application的縮寫，中文叫分散式應用/去中心化應用。通常來說，不同的DAPP會採用不同的底層技術開發平臺和共識機制，或者自行釋出代幣。

　　以太坊中一般會認為智慧合約就是DAPP，當然更準確的可以認為智慧合約相當於伺服器後臺，另外要實現使用者體驗，還需要UI互動介面，透過RPC與後臺對接，那麼DAPP系統開發就是開發包含完整的智慧合約和UI互動介面的DAPP。

　　int QuantizeConvPerChannel(const float*weight,const int size,const float*bias,int8_t*quantizedWeight,

　　int32_t*quantizedBias,float*scale,const std::vector<float>&inputScale,

　　const std::vector<float>&outputScale,std::string method,float weightClampValue,bool mergeChannel){

　　const int inputChannels=inputScale.size();

　　const int outputChannels=outputScale.size();

　　const int icXoc=inputChannels*outputChannels;

　　DCHECK(size%icXoc==0)<<"Input Data Size Error!";

　　std::vector<float>quantizedWeightScale(outputChannels);

　　float inputScalexWeight=1.0f;

　　if(mergeChannel){ 本文由系統開發對接唯：MrsFu123編輯整理釋出。

　　if(method=="MAX_ABS"){

　　SymmetricQuantizeWeight(weight,size,quantizedWeight,quantizedWeightScale.data(),outputChannels,weightClampValue);

　　}

　　else if(method=="ADMM"){

　　QuantizeWeightADMM(weight,size,quantizedWeight,quantizedWeightScale.data(),outputChannels,weightClampValue);

　　}

　　inputScalexWeight=inputScale[0];

　　}else{

　　const int kernelSize=size/icXoc;

　　const int ocStride=size/outputChannels;

　　//每個權重都乘上對應scale

　　std::vector<float>weightMultiByInputScale(size);

　　for(int oc=0;oc<outputChannels;++oc){

　　for(int ic=0;ic<inputChannels;++ic){

　　for(int i=0;i<kernelSize;++i){

　　const int index=oc*ocStride+ic*kernelSize+i;

　　weightMultiByInputScale[index]=inputScale[ic]*weight[index];

　　}

　　}

　　}開發需求及分析：yy625019

　　if(method=="MAX_ABS"){

　　SymmetricQuantizeWeight(weightMultiByInputScale.data(),size,quantizedWeight,quantizedWeightScale.data(),outputChannels,weightClampValue);

　　}

　　else if(method=="ADMM"){

　　QuantizeWeightADMM(weightMultiByInputScale.data(),size,quantizedWeight,quantizedWeightScale.data(),outputChannels,weightClampValue);

　　}

　　}

　　for(int i=0;i<outputChannels;++i){

　　if(fabs(outputScale<i>)<=1e-6){

　　scale<i>=0.0f;

　　}else{

　　scale<i>=inputScalexWeight*quantizedWeightScale<i>/outputScale[0];

　　}

　　}

　　if(bias){

　　for(int i=0;i<outputChannels;++i){

　　if(fabs(inputScalexWeight)<=1e-6||fabs(quantizedWeightScale<i>)<=1e-6){

　　quantizedBias<i>=0;

　　}else{

　　quantizedBias<i>=static_cast<int32_t>(bias<i>/(inputScalexWeight*quantizedWeightScale<i>));

　　}

　　}

　　}

　　return 0;

　　}