現貨合約跟單交易所開發(穩定版)丨現貨合約跟單交易所繫統開發(詳情及邏輯)原始碼

xiaofufu發表於2023-04-08

  區塊鏈等技術的參與。區塊鏈是Web3.0最突出的關鍵技術,助力安全、透明和防篡改的交易。Web3.0同時也包含其他機制促進和推動去中心化,如雲端計算、AR Cloud和其他網路空間關鍵技術等;


  從本質上看,區塊鏈是以分散式資料儲存、點對點傳輸、共識機制、加密演演算法、,智慧合約等計算機技術整合創新而產生的分散式賬本技術,是基於網際網路的分散式資料庫,具有去中心化、共識機制、不可篡改、可以追溯、規則透明等特點,


  關於區塊鏈專案技術開發唯:MrsFu123,代幣發行、dapp智慧合約開發、鏈遊開發、單雙幣質押、多鏈錢包開發、NFT盲盒遊戲、公鏈、鏈上游戲開發


  Uniswap博餅、交易所開發、量化合約開發、合約對沖、互助遊戲開發、Nft數字藏品開發、眾籌互助開發、元宇宙開發、swap開發、DAO智慧合約、


  夾子合約、鏈上合約開發、ido開發、商城開發等,開發過各種各樣的系統模式,更有多種模式、制度、案例、後臺等,成熟技術團隊,歡迎實體參考。


  這是一個PPQ量化的入口指令碼,將你的模型和資料按要求進行打包:


  This file will show you how to quantize your network with PPQ


  You should prepare your model and calibration dataset as follow:


  ~/working/model.onnx<--your model


  ~/working/data/*.npy or~/working/data/*.bin<--your dataset


  if you are using caffe model:


  ~/working/model.caffemdoel<--your model


  ~/working/model.prototext<--your model


  ###MAKE SURE YOUR INPUT LAYOUT IS[N,C,H,W]or[C,H,W]###


  quantized model will be generated at:~/working/quantized.onnx


  """


  from ppq import*


  from ppq.api import*


  import os


  #modify configuration below:


  WORKING_DIRECTORY='working'#choose your working directory


  TARGET_PLATFORM=TargetPlatform.PPL_CUDA_INT8#choose your target platform


  MODEL_TYPE=NetworkFramework.ONNX#or NetworkFramework.CAFFE


  INPUT_LAYOUT='chw'#input data layout,chw or hwc


  NETWORK_INPUTSHAPE=[1,3,224,224]#input shape of your network


  CALIBRATION_BATCHSIZE=16#batchsize of calibration dataset


  EXECUTING_DEVICE='cuda'#'cuda'or'cpu'.


  REQUIRE_ANALYSE=False


  DUMP_RESULT=False#是否需要Finetuning一下你的網路


  #載入ImageNet校準資料集


  import os


  import torchvision.transforms as transforms


  from PIL import Image


  import numpy as np


  import torch


  input_path="xxxxxxx/xxxxx/x"#【改】資料集路徑


  for file in os.listdir(input_path):


  filename=os.fsdecode(file)


  img=Image.open(os.path.join(input_path,filename)).convert('RGB')


  scaler=transforms.Resize((224,224))


  normalize=transforms.Normalize(mean=[0.485,0.456,0.406],


  std=[0.229,0.224,0.225])


  to_tensor=transforms.ToTensor()


  device=torch.device("cpu")


  image=normalize(to_tensor(scaler(img))).unsqueeze(0).to(device)


  np.save(file=f'working/data/{filename[:-4]}',arr=image)#【改】注意影像格式是.jpg還是.jpeg,.jpeg則filename[:-5]


  print('{}已完成,進度{}/{}'.format(filename[:-5],os.listdir(input_path).index(file),len(os.listdir(input_path))))


來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69956839/viewspace-2944523/,如需轉載,請註明出處,否則將追究法律責任。

相關文章