algo是什麼網路

1. 歐洲最大的B2B網站是哪個象中國阿里巴巴那樣的，因為我要做產品到歐洲市場。謝謝！

1、趣得免費發布信息網 不用注冊，免費發布買賣信息，企業信息，產品信息，生活信息
http://www.qudee.com
2、allactiontrade
http://www.allactiontrade.com/
3、b2s
http://www.b2s.com/
對發布的信息有限制，只能發布8條

4、興隆生意網
http://www.nn99nn.com

5、Tradeprince
http://www.tradeprince.com/
語種：中文/英文
6、ECROBOT
http://www.ecrobot.com/
7、EXIMTURK
http://www.eximturk.com/
8、exTrade
http://www.extrade.net/
9、GLOBAL TRADE VILLAGE
http://www.globaltradevillage.com/
10、Offer21
http://www.offer21.com/
11、tradeusd
http://www.tradeusd.com/
12、RUSBIZ
http://www.rusbiz.com/
13、TradeBusiness
http://www.tradebusiness.com/biz/
14、eurotradeport
http://www.eurotradeport.com/
15、importersarea
http://www.importersarea.com/
16、21cpp
http://www.21cpp.com/
被譯成了五種語言

17、AsianProcts
http://www.asianprocts.com/
18、ECVV
http://www.ecvv.com/
語種：中文/英文
19、exportersarea
http://www.exportersarea.com/
可以收到很多詢盤，但是免費用戶無法查看聯系方式。

20、Import-Export-Guide
http://www.import-export-guide.com/trade/

21、Itrademarket
http://itrademarket.com/
22、me360
http://en.me360.net/
被譯成了三種語言

23、Sw365
http://www.sw365.com/
語種：中文/英文
24、T Leads
http://www.tleads.com/
25、tradeget
http://www.tradeget.com/
發布的信息有數量的限制。

26、TradeLeads
http://www.tradeleads.com/
27、tradeoffer
http://www.tradeoffer.com/
28、tradepeak
http://www.tradepeak.com/
被譯成了六種語言。

29、The Mellinger Co.
http://www.tradezone.com/trade-leads/suppliers.php
30、Wbiz
http://www.wbiz.net/
31、WTExpo
http://wtexpo.com/
32、China-Exporter
http://www.china-exporter.net/
語種：中文/英文

33、WTC JAPAN TRADE LEADS
http://www.wtcjapan.ne.jp/
語種：英文/日文

34、FOREIGN TRADE
http://www.foreign-trade.com/
35、WorldTradeAA
http://www.worldtradeaa.com/
36、China Exporter Calalog
http://exporter.globalimporter.net/
語種：中文/英文

37、TradeBIG
http://www.tradebig.com/front.php
語種：中文/英文
38、GuoXin
http://www.guoxinb2b.com/
39、VIETOFFER
http://www.vietoffer.com/main.php
40、VIETNAM CHINA BUSSINESS LINK
http://www.vietnamchinalink.com/default.asp?lang=3
提供了三種語言供大家選擇

41、NuDeal
http://www.nudeal.com/
不過發布信息和產品是有限制的，每種只能發布10條

42、NetGlobalTrade
http://www.netglobaltrade.com/
43、PREMiERbusiNESSclub
http://www.premierbc.com/
44、aaaoe
http://www.aaaoe.com/
看不到其它人的聯系方式

45、Tpage
http://www.tpage.com/
46、Export500
http://www.export500.com/eexport/main/index.jsp
47、86trade
http://www.86trade.com/
語種：中文/英文

48、100trade
http://www.100trade.com/English/index.asp
語種：中文/英文

49、ALIGUGU
http://www.aligugu.com/
語種：中文/英文

50、EC21
http://www.ec21.com/
語種：中文/英文
51、EC51
http://www.ec51.com/
語種：中文/英文
52、ecplaza
http://www.ecplaza.net/
語種：中文/英文
英文的瀏覽量很高，經常可以收到客戶的詢盤。

53、hardwaretoday
http://www.hardwaretoday.com/english/index.jsp
語種：中文/英文

54、europetradearea
http://www.europetradearea.com/
語種：中文/英文

55、ttnet
http://www.ttnet.net/
語種：中文/英文
英文的瀏覽量比較高，有時可以收到客戶的詢盤。

56、wdtrade
http://www.wdtrade.com/
語種：中文/英文

57、wdexporters
http://www.wdexporters.com/
被譯成了10種語言

58、wdimporters
http://www.wdimporters.com/
語種：中文/英文
59、掌商網
http://zs91.com/
語種：中文/英文
不過英文的伺服器好像有些問題，發布、修改信息時經常看不到信息的名字。

60、CECF Online
http://www.cecf.com.cn/en/index.do
語種：中文/英文

61、WTO
http://www.wtoworld.com/
語種：中文/英文

62、SM160
http://www.sm160.com/
語種：中文/英文

63、Aligugu
http://www.aligugu.com
語種：中文/英文
64、Goodsres
http://www.goodsres.com/
語種：中文/英文
65、八方資源網
http://en.b2b168.com/
語種：中文/英文
66、BusyTrade
http://www.busytrade.com/
被譯成五種語言。
瀏覽量比較高，有時可以收到客戶的詢盤。不過免費會員發布信息有時間限制

，過期了，就不能發了。

67、usimporters
http://www.usimporters.us/
語種：中文/英文
68、Sugoo
http://www.sugoo.com/Index.htm
被譯成了六種語言。

69、57trade
http://www.57trade.com/
語種：中文/英文

70、tradelinkist
http://www.tradelinkist.com/
語種：中文/英文

71、中國產品平台
http://english.mainone.com/
語種：中文/英文

72、30trade
http://www.30trade.com/
語種：中文/英文

73、90trade
http://www.90trade.com
語種：中文/英文

74、B2BQUOTE
http://ckw19.gm11.b2bquote.com/
75、ChineseSource
http://www.chinesesource.net/
76、tradewebsites
http://www.tradewebsites.net/
語種：中文/英文

77、3ctrade
http://www.3ctrade.com
語種：中文/英文
78、seekgoods
http://www.seekgoods.com/

79、Algomtl
http://www.algomtl.com/algopages.html

80、ecEmirates

http://www.ecemirates.com/

81、toboc
http://www.toboc.com/

82、http://www.freedom-trade.com
自由發信息的論壇，發信息很方便、快捷，有3W多國內外貿易會員！
83、http://www.postrade.com
注冊要郵件激活，激活後可免費發信息！
84、http://www.ecplaza.net/
注冊需要郵箱接收一個驗證碼才能登錄
85、http://www.ecrobot.com
注冊，發布信息，都比較簡單。
86、貿易王子http://china.tradeprince.com/
注冊發布信息，可生成公司簡介主頁
87、http://www.foreign-trade.com/
有貿易論壇，不用注冊，發布簡單。
88、http://www.busytrade.com/
注冊即可發布，信息需要審核
89、http://www.nudeal.com/welcome/
注冊，發布信息，都比較簡單。
90、http://www.asiatrade.com/forum/index.php
貿易論壇，注冊即可發布
91、http://www.swissinfo.com
論壇、留言板樣式，注冊需郵件驗證，登錄時不是普通的網頁登錄
92、http://www.worldtradeaa.com/
注冊時用郵件地址做用戶名，登錄時也一樣，注冊驗證激活後即可發布，發布

需審核

93、http://centretrade.com/cgi-local/forum.cgi
非常簡單的留言本樣式，發布的信息可能比較容易被搜索引擎收錄

94、http://www.cybertradezone.com/default.asp
注冊後可發布簡單的信息

95、http://www.extrade.net/
簡單注冊後，即可發布，無需審核。

96、http://www.tradezone.com/ITbb/index.php
貿易論壇，注冊即可發布。

97、http://www.ectrade.com/
國內辦的網站，英文版注冊可發表，中文版沒有試

98、http://www.allprocts.com/lead/TradeLeads.html
論壇核心，注冊即可發布信息

99、http://www.buyselltrading.com

用郵件地址作為用戶名,注冊，注冊激活後即可發布

100、http://www.sw365.com/
可以免費發布產品信息，產品展示，可設置簡單的公司主頁

101、http://www.trade-india.com/bbsnew/bbsindex.html
免費發布，發布信息的時候，同時注冊，需郵件激活

102、http://www.afacerionline.com/
只能注冊30天試用期的免費會員，發布信息需要審核

103、http://www.pppindia.com/trade/trade.html
直接發布，無需注冊、審核

104、http://www.tradeeasy.com/jsp/tehome.jsp
有簡體中文版，英文版注冊發布成功，中文版沒試！

105、http://www.premierbc.com
用郵件地址注冊，注冊後即可發布信息

106、http://www.impextrade.com/
就是made-in-china

107、http://www.netglobaltrade.com
郵件驗證注冊，可發表

108、http://www.go4worldbusiness.com/
注冊即可免費發布，信息中不能包含網址

2. 區塊鏈公鏈都有哪些

區塊鏈有公有區塊鏈、聯合（行業）區塊鏈、私有區塊鏈。公鏈有點對點電子現金系統：比特幣、智能合約和去中心化應用平台：以太坊。

區塊鏈為分布式數據存儲、點對點傳輸、共識機制、加密演算法等計算機技術的新型應用模式。

區塊鏈（Blockchain），為比特幣的一個重要概念，它本質上是一個去中心化的資料庫，同時作為比特幣的底層技術，是一串使用密碼學方法相關聯產生的數據塊，每一個數據塊中包含了一批次比特幣網路交易的信息，用於驗證其信息的有效性（防偽）和生成下一個區塊。

(2)algo是什麼網路擴展閱讀

根據區塊鏈網路中心化程度的不同，分化出3種不同應用場景下的區塊鏈：

1、全網公開，無用戶授權機制的區塊鏈，稱為公有鏈；

2、允許授權的節點加人網路，可根據許可權查看信息，往往被用於機構間的區塊鏈，稱為聯盟鏈或行業鏈；

3、所有網路中的節點都掌握在一家機構手中，稱為私有鏈。

聯盟鏈和私有鏈也統稱為許可鏈，公有鏈稱為非許可鏈。

區塊鏈特徵

1、去中心化。區塊鏈技術不依賴額外的第三方管理機構或硬體設施，沒有中心管制，除了自成一體的區塊鏈本身，通過分布式核算和存儲，各個節點實現了信息自我驗證、傳遞和管理。去中心化是區塊鏈最突出最本質的特徵。

2、開放性。區塊鏈技術基礎是開源的，除了交易各方的私有信息被加密外，區塊鏈的數據對所有人開放，任何人都可以通過公開的介面查詢區塊鏈數據和開發相關應用，因此整個系統信息高度透明。

3、獨立性。基於協商一致的規范和協議(類似比特幣採用的哈希演算法等各種數學演算法)，整個區塊鏈系統不依賴其他第三方，所有節點能夠在系統內自動安全地驗證、交換數據，不需要任何人為的干預。

4、安全性。只要不能掌控全部數據節點的51%，就無法肆意操控修改網路數據，這使區塊鏈本身變得相對安全，避免了主觀人為的數據變更。

5、匿名性。除非有法律規范要求，單從技術上來講，各區塊節點的身份信息不需要公開或驗證，信息傳遞可以匿名進行。

3. 荻野真早期爛尾作品《ALGO!/電腦騎士》

電腦騎士，原名ALGO!，即便是荻野真的粉絲，看過的也不多。這部漫畫雖然小眾，然而盜版卻出了不少，譯名五花八門什麼都有（這部作品從未出過正版的中文版，我想在座的99.99%都是從盜版看起的）：

（1）ALGO!（雅景出版社，3卷，書名未漢化）

（2）暗黑電腦王亞路加（出版社未知，3卷？這版使用了和其他版本都不一樣的封面，比原版好看多了。）

（3）電腦王（宇宙出版社，3卷？我手上正好有第一卷，但是開頭刪了好多頁）

下面是國內盜版：

（4）時空騎士（延邊人民出版社，4卷）

（5）電腦騎士（四川美術出版社，居然拆成8卷賣，有夠喪心病狂！）

……

荻野真擅長玄幻卻一心想畫科幻，《ALGO!》是他的第一次嘗試。這個趣聞我之前在《辣妹海釣船》書報中提到過，是荻野真在後記里自曝的。這部早期作品雖然爛尾，但是其展示的電腦世界足以讓當時很多連滑鼠都沒摸過的孩子嘆為觀止。不過當然啦，雖然在那個年代，電腦、網路、人腦接入網路等時髦概念潛力巨大，但並不是人人都能創作出《攻殼機動隊》這種神作的，大部分同類題材都格局極小，最終落入「電腦=游戲機」的窠臼。《ALGO!》正是這些盲流大軍中的一員。

故事簡介

時代背景應該是日本80年代，彼時電腦正在普及，主角是秋葉原附近的萬世橋高等學院的一名學生，他不認真上課，逃課玩游戲，總之是一個較為接地氣的主角人設。自從他發現了一款名為《ALGO!》的游戲，詭異事件接連發生，但這並不是鬼怪故事，而是電腦世界（異次元世界）的生物來到了現實世界……

「很久很久以前，在遙遠的電腦世界裡曾發生過一場大戰，後來這場戰爭超越了時空，蘇醒了現實世界。」——摘自電子版，圖源應該是《電腦騎士》

明明是科幻定位，卻毫無科學概念，在開頭就抹上了神話色彩，也許這已經為腰斬埋下了地雷。

彼時的秋葉原還沒有成為二次元聖地，這里有各種電子產品，甚至還有坦克零件出售？？

荻野真此時對於畫女性似乎還沒有得心應手，女主的眼距如此之大，像得了唐氏綜合征（沒有對唐氏患者不敬的意思，只是打個比方）。江湖傳聞「畫女體者得天下」，可惜荻野真太不會畫美女了。

主角的名字是基町走太郎，給主角起這么殘念的名字，能紅就怪了。

主角在常去的一家店裡發現一塊電路板，經過調試發現這是一個名為《ALGO!》的游戲的電路板（相當於街機游戲的卡帶？）。

在該校教電腦課的蟻元老師正在開展一個邪惡計劃，他把一名女同學變成了可以控制電子器件的怪物。有趣的是網路上流傳的電子版在此處給女妖畫上了一套內衣。另外，我手上這本所謂的宇宙版，翻開第一頁就是這個畫面，前面那麼多頁都被吃了嗎？？下面簡單做下對比：

雖然整個故事很平庸，但是亮點也不是沒有，比如下面這張扉頁，男主和女主在更衣室被變異了的女同學追殺，外面的同學們卻毫不知情，此處荻野真首次使用了FC游戲風格，後面的戰斗場面也有這種風格。

在千鈞一發之際ALGO降維打擊，救下了他們，他是敵是友……廢話，當然是正義的夥伴啦。後來主角在與蟻元戰斗的過程中，ALGO進入主角體內，兩者合為一體，開始了與邪惡勢力的戰斗。

作者畫風還未成型，但是從ALGO登場的這幾個畫面可以看出，荻野真對這個作品有不小的野心。能在手繪時代把鎧甲畫得布靈布靈的，說明是下了一番功夫的。

故事就這么平庸地展開了，後面的劇情發展都在可以預料的范圍，到了結局處戛然而止，好在作者多畫了幾個分鏡，開啟了上帝視角，使得即使三卷也能勉強完結，比後來同樣爛尾的《怨靈侍》好一些。

4. u盤上algo是什麼意思

你好,這是愛國者U盤,ALGO是愛國者的LOGO.

5. 網路流量威脅-xmrig協議PCAP分析

1、xmrig木馬

挖礦木馬成為黑產團伙的主要獲利方式之一，也成為了企業內部安全的主要威脅之一。門羅幣很多僵屍網路也把挖礦作為主要的獲利手段。本文分析挖礦連接的行為。

2、具體樣本

樣本具有連接xmrig礦池通信行為，xmrig協議通信；

3、PCAP分析

相關實驗的 xmrig通信PCAP

DNS  Standard query   A xmr.pool.minergate.com

xmrig協議格式【1】

request：

{"id":x,"jsonrpc":"2.0","method":"login","params":{"login":"xxxxxx","pass":"x","agent":"xxxxx","algo":["xxx","xxx","xxx"]}}

{"id":x,"jsonrpc":"2.0","method":"submit","params":{"id":"xxxx","job_id":"xx","nonce":"xxxx","result":"xxxxxxx"}}

response：

{"params":{"blob":"xxxxxx","taget":"xxxx","job_id":"xxxxx"},"method":"xxx"} 

本次抓包具體例子：

{"id":1,"jsonrpc":"2.0","method":"login","params":{"login":"xxx","pass":"x","agent":"Static XMRig/2.13.1 (Linux x86_64) libuv/1.24.1 gcc/6.4.0","algo":["cn","cn/r","cn/wow","cn/2","cn/1","cn/0","cn/half","cn/xtl","cn/msr","cn/xao","cn/rto","cn/gpu"]}}

6. 為什麼這么多人堅信FIL會飆升

因為，我是IT從業者，這個幣技術門檻很高，不是某個三腳貓的團隊能做出來的，而且灰度團隊研究了幾個月才決定買入，，還有另外很多等等利好一些細節，，，不是為了圈錢而來。我屯著它，三年回看 大家拭目以待。

認知方面。人不可能賺到超過自己認知以外的錢，換句話說，相信FIL會漲的人都是因為FIL確實漲過，他們也確實賺到了，就這么簡單。

因為信仰。IPFS項目是存在極大可能性真實改變互聯網儲存現狀的，目前華為、谷歌、騰訊等都在布局這個賽道。

因為時代。比特幣一分錢的時候說它是騙局，10W的時候都說馬上崩盤，但是現在，比特幣40W了。這個時代是屬於區塊鏈的時代，順時代而為，才是最應該的選擇。

另外，講講我自己，FIL幣380的時候入場買了20W，賺。800的時候搞挖礦，現在一天挖4個幣。它讓我實現了跨越，我為啥不看好它呢？

Filecoin項目未來是有它的增長價值的，它的幣價會漲，依據有幾點。

第一，Filecoin不僅僅是一個數字貨幣，它還有具體的應用場景落地。現在來看，它主推的是應用場景，未來所有開發者和應用場景爆發，FIL的需求方會購買FIL。

第二，目前FIL的價值被低估。從盤面來看，大約在9億美金，連數字貨幣的前五都排不到，價值被低估了。一年以後，它的流動盤達到1億左右。假設一下，一年後FIL市值進前五，算下來幣價在50美金左右，按照目前趨勢，三到六個月的話，還是有可能達到這個價格的。

FIL（Filecoin）的保守估值

根據Filecoin融資時代幣的分配機制，總發行量20億枚，其中70%（14億）留給礦工，挖礦的規則是每6年區塊獎勵減半。第一年每天釋放44萬枚，一年平均釋放1.584億枚。

那麼像這樣一個世界公認的項目，至少會進入世界數字貨幣市值的前10名，目前第10名是恆星幣，市值是100億人民幣，明年會發行1.584億枚，那麼一枚就在63.13元左右。

FIL（Filecoin）的暢想估值，那我們不妨把這個市場大膽估測下。

2018年全球存儲市場為4000億美金，那麼除以明年發行的1.584億枚，就會達到2525.25美金一枚。當然IPFS不可能一上線就推翻傳統互聯網的HTTP，如果按照10%的市場份額來算，就是252.525美金一枚。

如果我們進一步思考，不是所有發行的FIL都會流通到市面上，畢竟好的幣種，有識之士會囤起來，所以一般按照流通到市面上為20%（1.584 0.2億枚），那麼就是1265.8美金一枚，等於8860.6人民幣。

我們可以進一步暢想，隨著5G到來，人類數據存儲需求將呈指數倍增，到了2025年，全球存儲市值會達到23萬億美金，到那時，HTTP已經被淘汰，23萬億全都是分布式存儲的天下。而到那時，諸多的分布式存儲的項目中，IPFS是最有機會獨占鰲頭的。如果IPFS有20億美金市值，屆時發行的9.504億枚FIL，一枚價值就接近2萬美金！

還有一個細節，2026年FIL將迎來減半！而看BTC的 歷史 ，每一次減半隨即就迎來了一波牛市，2012年減半，2013年牛市BTC價格從2美金增長到1200美金；2016年減半，2017年牛市BTC價格從650美金增長到19000美金。錯過btc，不妨抓住filecoin。

實際上堅信FIL會飆升的都是幣圈的炒幣者，這些炒幣者幾乎都區塊鏈技術知之甚少或者完全不懂，只知道IPFS技術牛，所以認為FIL一定會漲。

IPFS（分布式存儲）源碼開放，這項技術的確是革命性的，而且已經得到廣泛的應用，國內一些頭部企業也在導入IPFS技術，包括華為在內。

FIL是什麼？實際上是給予提供存儲資源的硬碟一種虛擬幣的獎勵。這種獎勵其實是不具備實際價值的，只是被很多炒幣者認為是代幣，炒幣者賦予了它炒作的價值。

從最近的數字貨幣暴跌的行情來看，很多人都明白了一個道理：數字貨幣只是一把鐮刀，眾多的炒幣者就是那一顆顆韭菜，永遠只能任人宰割！

某國更是通過比特幣、以太坊等數字貨幣，收割全球的財富。希望各位幣圈的朋友，還是醒醒吧，幣圈有風險，且行且珍惜！

同意請留個贊，謝謝!

昨天剛寫了fil，沒想到今天就彪起來了。。。真是迷幻的市場

作為區塊鏈存儲老大，fil的價值不言而喻，還是有網友給我發信息說最近聊fil少了。既然沒有什麼新的突破，那麼就聊聊之前的事情。再簡單說說他的優勢和劣勢

第一，回顧ipfs於filecoin關系

不知道之前看我文章的有多少，再簡單回顧兩句，很多人應該都不太清楚。Ipfs與fil之間的關系。iPfs是一種網路底層協議，或者說規矩，規定你怎樣存文件，怎樣取文件，怎樣把文件切片。這個不是區塊鏈

而fil是一個激勵機制。它是一條區塊鏈，可以把它理解為ifps上的信息交易市場。它的作用是把ipfs上的信息區塊鏈化，也就是證明你存了信息，通過存儲信息、檢索信息獲得獎勵，把你的存儲的相關記錄放到區塊鏈上

簡單理解，在ps上各節點存放的是數據，而區塊鏈上放的是哈希值，加密過後的各種記錄。

簡單總結，ip fs是分布式的存儲系統。不是區塊鏈，fil是ip fs的激勵機制，它是區塊鏈。

第二，fil的優勢

優勢就很明顯了。應該是這么幾個。

一是規模，目前他是存儲的龍頭老大。而且挑戰者其實不太多 。

比如孫哥的那個btt，反正我一聽他的名字，我就有點害怕，這個男人太優秀，不知道別人，反正我是沒敢弄。

再比如bzz，其實這個技術本來挺好，而且解決了流量的多少與代b結算的關系。本來是可以開創一種新的挖k機制

結果，項目的經濟模型設計的太垃圾，不能給人以持續的收入，沒有爆塊，只有檢索。就像是開發了一個打車軟體，結果無車可打，沒有底薪，大家乾瞪眼，就變成現在這種情況。

再比如波卡上的一些存儲。我就一句話，如果讓我買這些，我會去波卡或者卡薩馬。或者你消息比較靈，在他質押的時候快進快出搞一下。

總之，這些東西還無法與fil相提並論。

二是技術融合非常多。

胡安先生應該是專門做存儲的，你看ipfs就是他們做的，直接將bit torrent協議升級到了下一個時代。

而在fil的存儲共識上，他也有了全新的突破。比如復制證明，時空證明，大量的並行計算，11層的加密與解密，各個階段的數據封裝。用存儲比例代替了計算機算力，作為全新的共識機制。更加環保，更加友好。

在爆塊兒機制上，借鑒了隨機數演算法的機制。從上一輪的區塊中獲得一個隨機數，按照你在全網的算力佔比，確定一定的隨機數范圍，算出的隨機數小於這個范圍則可以獲得獎勵，和pow那個驗算有點像，不用知道那麼細，你就知道這個方法是為了增加不確定性。因為如果出塊節點大家早就知道了，就會攻擊你

這種做法最早來源於艾爾格朗的德那個項目，也叫阿拉貢，algo，讓爆塊兒的節點更加的不確定，也叫多輪隱秘選舉。有持續爆塊獎勵，礦工們也有持續的收入。這就是他比bzz高明的地方。

三是經濟模型比較科學。

什麼叫經濟模型？說白了就是分錢。一個項目的參與者，有項目方，就是大鬍子自己，還有k工，或者可以說存儲伺服器，還有就是投資者，大的z金或者小的散戶，持b者。

由於filecoin的願景宏大。所以對於代幣的激勵機制，他是非常謹慎的。從線性釋放，代幣的分配，關鍵的質押與銷毀就能看出來。大量的代幣被鎖在的這個網路中，大大減少了流通量。具體可以看我之前的文章。

銷毀機制就更狠，以太坊是把這些錢給了礦工，而fil直接把他打到了不可逆地址。以太坊看著也眼紅，後來也把這一招學了過來，比如倫敦升級。

第三，Fil的不足。

一是過於依賴區塊鏈性能。

我上一篇曾經說過，fil這條鏈和其他的鏈有非常大的不同。他對於區塊鏈的性能要求更高，也就是Tps，每秒鍾處理交易數量。Transactions per second.

fil的本質是把ipfs上的碎片化數據給區塊鏈化。簡單說就是數據存在了節點上，而數據的哈希值存在了區塊鏈上。前面提過。

傳統的區塊鏈最多就是存一些交易的數據，智能合約執行結果，等等，而fil他的整個數據的上鏈標記存儲，都是用的這條鏈。

在不斷存數據的過程中，就會不斷的消耗帶寬與網路資源。所以前一陣子fil網路也堵的一塌糊塗。這就比較麻煩了，因為這僅僅是這條鏈的第一步。後面他還有檢索的功能等等功能。

我在想，如果遇到極端的情況，比如說網路太過擁堵，直接堵死了。那會不會直接把你質押b給罰掉？這還真不好說，對於帶寬，硬體的性能要求都很高。

不過還好，項目方一直在做事情，之前就用通過多扇區提交，捆綁計算結果的方式，一定程度的緩解了網路擁堵，但是長久來看還不夠。

二是願景宏達，不好實現，久則生變，弄不好給人做了嫁衣裳

這條就是一把雙刃劍，fil是一個遠景宏大的項目，很多人簡簡單單的理解它就是互聯網上的存儲。實際上沒有這么簡單。

Fil的存在是為了讓ipfs落地，更多的人願意用ip fs，這相當於徹底改變了互聯網的規矩，比如你過去靠http來搜文件，現在就用ipfs。

過去網上的存儲規矩是找中心的伺服器，ipfs落地之後，整個網路的數據的流轉，互聯網的結構都會發生變化，這也就是為什麼他會被叫做web3。

哪個地方需要數據，數據就會像向這個地方流動，全網變成了一張大的dht分布式哈希表，大家共同遵守一個調用文件，存儲文件，使用文件的規矩，再也沒有互聯網的大公司大巨頭。取而代之的可能是組織。

還是那句話，為了實現這個宏大的目標，胡安就把這個經濟模型設計的特別苛刻。罰沒質押就不說了，關鍵是他的質押時間非常長，扇區有540天。

把你鎖在裡面，跑不了。前陣子b價跌的很厲害的時候，很多人都說被騙了，等扇區到期就跑，現在漲起，還有那麼多人跑嗎？人性就是如此，胡安不簡單

我說了，漲起來皆大歡喜，你跑不了，跌下去了，你質押便宜了，也跑不了，更何況市場來來回回，540天是一年半，最後一個扇區還有180的釋放，這就把你給框住了。你雖然中招了，還覺得挺好。

如果看更長期，這個項目會遇到各種各樣的風險，如果說冷數據一直突破不了。或者說安全性出了問題，或者說沒有大量真實有效的數據，願意存到上面來。他這個項目可能就不能落地。泡沫逐漸破滅。

但是他會遺留下來一大堆的技術，別人會模仿，他會實現某一個方面實現突破，這就可能就給別人做了嫁衣裳。

最後，該怎麼辦？

其實前一陣子我一直在寫fil，特別是在在他特別便宜的時候，我一直在安撫大家。到60的時候，到50的時候，特別是到40的時候，提示的很明顯。有人問我w不w，我說這還w個啥，tun

對於這種項目其實也是一樣。你可以多投一些進去。但是如果jg兩倍或者三倍以上，我建議就把本j拿出來。

然後你就放著，不要管了。甚至留一部分小底倉一直拿著。賭一個翻身。這種項目一定是，成功了一件功成萬骨枯。非常大的收益。

失敗了，那確實損失也很大，但是會給你抽身機會。你就這么想。給你100萬，你是不是覺得挺多？那給你40萬，50萬呢，其實也可以。對吧，項目這么多，幹嘛那麼貪

做後還是希望大家靜下心來，多學點兒東西，理解這些東西底層，也能聽得懂我在說什麼，起碼心裡有底，一天進進出出看各種消息來回操作，把自己給弄沒了，我們一起陪伴的這個項目成長。

先聊這么多，推薦下面鏈接這本書，通俗易懂，幫助你系統入門區塊鏈。

要完成IPFS存儲人類重要的信息的價值，就需求IPFS/Filecoin的生態建設起來，IPFS生態系統只有這樣就能夠持續發生巨大的商業收入，FIL幣價當然就會隨之水漲船高，快速上漲。V-Awdbank

但是為什麼僅僅依靠這點就可以這么肯定FIL會再次迎來暴升？

根據專業分析團隊分析，fil日線走勢趨於穩定，布林呈縮口狀態。135美金強支撐已經過數次試探和成交量逐漸走低也說明市場對底部的認可。140-150美金已經成為新的底部。並且從場外消息來看，雖然最近投資者的熱情被分走一些，但結合小時線來看這也正是有人利用此次熱度在壓價吸籌。成交量表示市場活躍籌碼已經不多，新一波行情預計15日之前就會啟動。此次行情爆發將會帶動更大的情緒，行情的跨度也會更大。第一階段預期最少試探300美金。而協議實驗室創始人胡安也喊單了！他說FIL幣年底能看到750U!

這些其實都是代表了FIL為什麼如此多的人看好的原因。而國家發改委首次明確「新基建」范圍，以人工智慧，雲計算，區塊鏈為代表的新技術基礎設施，以數據中心，智能計算中心為代表的算力基礎設施！

兩個方面，地址項目本身，打造的分布式存儲概念，是有市場需求的。第二，項目的設計，質押挖礦，導致市場供不應求，釋放的量小於解鎖的量

Filecoin 是一個去中心化存儲網路，讓雲存儲變成一個演算法市場。運行在Filecoin區塊網路上。區塊鏈中的礦工通過提供存儲來獲取 Fil幣。客戶也可以通過支付Fil幣來獲得礦工提供的存儲數據和分發數據的服務。FIL礦工為了獲得更多的獎勵，通過使用存儲空間不斷的儲存客戶的數據，將「存力」轉化成「算力」，這樣就是不斷的給客戶提供存儲數據的服務。Fil的誕生不單是數字貨幣那麼簡單，它有實際的應用存儲、檢索，真正的可以為現在高速發展壯大的互聯網數據新時代作出巨大的貢獻

因為星際文件系統是由Juan Benet在2014 年設計的互聯網新協議，是一個開源項目，設計目標是實現數據的永久存儲、清除網路上的重復數據，並獲取存儲在網路中節點上的數據地址。

它是一個開源項目，是一種基於內容定址、版本化、點對點的超媒體傳輸協議，允許網路中的參與者互相存儲、索取和傳輸可驗證的數據，是對標Http的新一代通信協議。

最後我再說一點，IPFS的目標是打造一個更加開放、快速、安全的互聯網，我個人覺得它潛力無限

FIL的話是去年十月份上線的，早在2014年5月份Labs（協議實驗室）創立，協議實驗室可謂精英匯聚，目前核心團隊超過76位人才組成，他們來自斯坦福大學，麻省理工，哈佛等世界名校，更有來自ZIZI Google，IBM，甲骨文等全球跨國 科技 巨頭的人才。

IPFS投資方也可謂特別之強大，1.紅杉資本2.文克萊沃斯兄弟基金3.FundersClub等等

IPFS與Filecoin的關系

IPFS 分布式存儲底層協議

Filecoin 是一個基於IPFS網路協議的去中心化存儲系統

Filecoin在IPFS協議的基礎上增加了市場機制來調節存儲本，同時增加了激勵機制保障系統穩定運行

哪來這么多的設備可以成為多個「移動硬碟」就好比嘀嘀打車和Aiebnb一樣，通過使用獎勵就實現了設備共享，利益捆綁，你貢獻的越多那麼獲得獎勵就越多！

7. ALGO5L是一種什麼貨幣是真實的虛擬網路貨幣嗎

這是一種真實存在的虛擬貨幣，這里所謂的真實存在是說這是一種虛擬貨幣，在現實生活中真的有這個虛擬貨幣，而不是說他是現實生活中的貨幣，最近這兩年虛擬貨幣出現的數量是快速上升，有很多你可能聽都沒聽過。

現在的虛擬貨幣可以說風聲已經逐漸過了，國外很多資本集團都在逐漸撤場，也就是這些虛擬貨幣的價值已經沒有以前那麼高了。原來比特幣價格突破5萬美元大關的時候，很多虛擬貨幣都冒頭，價格也是飛速上漲，但隨著比特幣的熱度逐漸退卻，越來越多的虛擬貨幣價格也跟著下降了，這東西未來是一個撲朔迷離的東西，風險很大，比你玩股票的風險還要大，還是不建議普通投資者去碰。

8. 人工神經網路概念梳理與實例演示

人工神經網路概念梳理與實例演示
神經網路是一種模仿生物神經元的機器學習模型，數據從輸入層進入並流經激活閾值的多個節點。
遞歸性神經網路一種能夠對之前輸入數據進行內部存儲記憶的神經網路，所以他們能夠學習到數據流中的時間依賴結構。
如今機器學習已經被應用到很多的產品中去了，例如，siri、Google Now等智能助手，推薦引擎——亞馬遜網站用於推薦商品的推薦引擎，Google和Facebook使用的廣告排名系統。最近，深度學習的一些進步將機器學習帶入公眾視野：AlphaGo 打敗圍棋大師李世石事件以及一些圖片識別和機器翻譯等新產品的出現。
在這部分中，我們將介紹一些強大並被普遍使用的機器學習技術。這當然包括一些深度學習以及一些滿足現代業務需求傳統方法。讀完這一系列的文章之後，你就掌握了必要的知識，便可以將具體的機器學習實驗應用到你所在的領域當中。
隨著深層神經網路的精度的提高，語音和圖像識別技術的應用吸引了大眾的注意力，關於AI和深度學習的研究也變得更加普遍了。但是怎麼能夠讓它進一步擴大影響力，更受歡迎仍然是一個問題。這篇文章的主要內容是：簡述前饋神經網路和遞歸神經網路、怎樣搭建一個遞歸神經網路對時間系列數據進行異常檢測。為了讓我們的討論更加具體化，我們將演示一下怎麼用Deeplearning4j搭建神經網路。
一、什麼是神經網路？
人工神經網路演算法的最初構思是模仿生物神經元。但是這個類比很不可靠。人工神經網路的每一個特徵都是對生物神經元的一種折射：每一個節點與激活閾值、觸發的連接。
連接人工神經元系統建立起來之後，我們就能夠對這些系統進行訓練，從而讓他們學習到數據中的一些模式，學到之後就能執行回歸、分類、聚類、預測等功能。
人工神經網路可以看作是計算節點的集合。數據通過這些節點進入神經網路的輸入層，再通過神經網路的隱藏層直到關於數據的一個結論或者結果出現，這個過程才會停止。神經網路產出的結果會跟預期的結果進行比較，神經網路得出的結果與正確結果的不同點會被用來更正神經網路節點的激活閾值。隨著這個過程的不斷重復，神經網路的輸出結果就會無限靠近預期結果。
二、訓練過程
在搭建一個神經網路系統之前，你必須先了解訓練的過程以及網路輸出結果是怎麼產生的。然而我們並不想過度深入的了解這些方程式，下面是一個簡短的介紹。
網路的輸入節點收到一個數值數組（或許是叫做張量多維度數組）就代表輸入數據。例如, 圖像中的每個像素可以表示為一個標量，然後將像素傳遞給一個節點。輸入數據將會與神經網路的參數相乘，這個輸入數據被擴大還是減小取決於它的重要性，換句話說，取決於這個像素就不會影響神經網路關於整個輸入數據的結論。
起初這些參數都是隨機的，也就是說神經網路在建立初期根本就不了解數據的結構。每個節點的激活函數決定了每個輸入節點的輸出結果。所以每個節點是否能夠被激活取決於它是否接受到足夠的刺激強度，即是否輸入數據和參數的結果超出了激活閾值的界限。
在所謂的密集或完全連接層中，每個節點的輸出值都會傳遞給後續層的節點，在通過所有隱藏層後最終到達輸出層，也就是產生輸入結果的地方。在輸出層, 神經網路得到的最終結論將會跟預期結論進行比較(例如，圖片中的這些像素代表一隻貓還是狗?)。神經網路猜測的結果與正確結果的計算誤差都會被納入到一個測試集中，神經網路又會利用這些計算誤差來不斷更新參數，以此來改變圖片中不同像素的重要程度。整個過程的目的就是降低輸出結果與預期結果的誤差，正確地標注出這個圖像到底是不是一條狗。
深度學習是一個復雜的過程，由於大量的矩陣系數需要被修改所以它就涉及到矩陣代數、衍生品、概率和密集的硬體使用問題，但是用戶不需要全部了解這些復雜性。
但是，你也應該知道一些基本參數，這將幫助你理解神經網路函數。這其中包括激活函數、優化演算法和目標函數(也稱為損失、成本或誤差函數)。
激活函數決定了信號是否以及在多大程度上應該被發送到連接節點。階梯函數是最常用的激活函數, 如果其輸入小於某個閾值就是0，如果其輸入大於閾值就是1。節點都會通過階梯激活函數向連接節點發送一個0或1。優化演算法決定了神經網路怎麼樣學習，以及測試完誤差後，權重怎麼樣被更准確地調整。最常見的優化演算法是隨機梯度下降法。最後, 成本函數常用來衡量誤差，通過對比一個給定訓練樣本中得出的結果與預期結果的不同來評定神經網路的執行效果。
Keras、Deeplearning4j 等開源框架讓創建神經網路變得簡單。創建神經網路結構時，需要考慮的是怎樣將你的數據類型匹配到一個已知的被解決的問題，並且根據你的實際需求來修改現有結構。
三、神經網路的類型以及應用
神經網路已經被了解和應用了數十年了，但是最近的一些技術趨勢才使得深度神經網路變得更加高效。
GPUs使得矩陣操作速度更快；分布式計算結構讓計算能力大大增強；多個超參數的組合也讓迭代的速度提升。所有這些都讓訓練的速度大大加快，迅速找到適合的結構。
隨著更大數據集的產生，類似於ImageNet 的大型高質量的標簽數據集應運而生。機器學習演算法訓練的數據越大，那麼它的准確性就會越高。
最後，隨著我們理解能力以及神經網路演算法的不斷提升，神經網路的准確性在語音識別、機器翻譯以及一些機器感知和面向目標的一些任務等方面不斷刷新記錄。
盡管神經網路架構非常的大，但是主要用到的神經網路種類也就是下面的幾種。
3.1前饋神經網路
前饋神經網路包括一個輸入層、一個輸出層以及一個或多個的隱藏層。前饋神經網路可以做出很好的通用逼近器，並且能夠被用來創建通用模型。
這種類型的神經網路可用於分類和回歸。例如，當使用前饋網路進行分類時，輸出層神經元的個數等於類的數量。從概念上講, 激活了的輸出神經元決定了神經網路所預測的類。更准確地說, 每個輸出神經元返回一個記錄與分類相匹配的概率數，其中概率最高的分類將被選為模型的輸出分類。
前饋神經網路的優勢是簡單易用，與其他類型的神經網路相比更簡單，並且有一大堆的應用實例。
3.2卷積神經網路
卷積神經網路和前饋神經網路是非常相似的，至少是數據的傳輸方式類似。他們結構大致上是模仿了視覺皮層。卷積神經網路通過許多的過濾器。這些過濾器主要集中在一個圖像子集、補丁、圖塊的特徵識別上。每一個過濾器都在尋找不同模式的視覺數據，例如，有的可能是找水平線，有的是找對角線，有的是找垂直的。這些線條都被看作是特徵，當過濾器經過圖像時，他們就會構造出特徵圖譜來定位各類線是出現在圖像的哪些地方。圖像中的不同物體，像貓、747s、榨汁機等都會有不同的圖像特徵，這些圖像特徵就能使圖像完成分類。卷積神經網路在圖像識別和語音識別方面是非常的有效的。
卷積神經網路與前饋神經網路在圖像識別方面的異同比較。雖然這兩種網路類型都能夠進行圖像識別，但是方式卻不同。卷積神經網路是通過識別圖像的重疊部分，然後學習識別不同部分的特徵進行訓練；然而，前饋神經網路是在整張圖片上進行訓練。前饋神經網路總是在圖片的某一特殊部分或者方向進行訓練，所以當圖片的特徵出現在其他地方時就不會被識別到，然而卷積神經網路卻能夠很好的避免這一點。
卷積神經網路主要是用於圖像、視頻、語音、聲音識別以及無人駕駛的任務。盡管這篇文章主要是討論遞歸神經網路的，但是卷積神經網路在圖像識別方面也是非常有效的，所以很有必要了解。
3.3遞歸神經網路
與前饋神經網路不同的是，遞歸神經網路的隱藏層的節點里有內部記憶存儲功能，隨著輸入數據的改變而內部記憶內容不斷被更新。遞歸神經網路的結論都是基於當前的輸入和之前存儲的數據而得出的。遞歸神經網路能夠充分利用這種內部記憶存儲狀態處理任意序列的數據，例如時間序列。
遞歸神經網路經常用於手寫識別、語音識別、日誌分析、欺詐檢測和網路安全。
遞歸神經網路是處理時間維度數據集的最好方法，它可以處理以下數據：網路日誌和伺服器活動、硬體或者是醫療設備的感測器數據、金融交易、電話記錄。想要追蹤數據在不同階段的依賴和關聯關系需要你了解當前和之前的一些數據狀態。盡管我們通過前饋神經網路也可以獲取事件，隨著時間的推移移動到另外一個事件，這將使我們限制在對事件的依賴中，所以這種方式很不靈活。
追蹤在時間維度上有長期依賴的數據的更好方法是用內存來儲存重要事件，以使近期事件能夠被理解和分類。遞歸神經網路最好的一點就是在它的隱藏層裡面有「內存」可以學習到時間依賴特徵的重要性。
接下來我們將討論遞歸神經網路在字元生成器和網路異常檢測中的應用。遞歸神經網路可以檢測出不同時間段的依賴特徵的能力使得它可以進行時間序列數據的異常檢測。
遞歸神經網路的應用
網路上有很多使用RNNs生成文本的例子，遞歸神經網路經過語料庫的訓練之後，只要輸入一個字元，就可以預測下一個字元。下面讓我們通過一些實用例子發現更多RNNs的特徵。
應用一、RNNs用於字元生成
遞歸神經網路經過訓練之後可以把英文字元當做成一系列的時間依賴事件。經過訓練後它會學習到一個字元經常跟著另外一個字元（「e」經常跟在「h」後面，像在「the、he、she」中）。由於它能預測下一個字元是什麼，所以它能有效地減少文本的輸入錯誤。
Java是個很有趣的例子，因為它的結構包括很多嵌套結構，有一個開的圓括弧必然後面就會有一個閉的，花括弧也是同理。他們之間的依賴關系並不會在位置上表現的很明顯，因為多個事件之間的關系不是靠所在位置的距離確定的。但是就算是不明確告訴遞歸神經網路Java中各個事件的依賴關系，它也能自己學習了解到。
在異常檢測當中，我們要求神經網路能夠檢測出數據中相似、隱藏的或許是並不明顯的模式。就像是一個字元生成器在充分地了解數據的結構後就會生成一個數據的擬像，遞歸神經網路的異常檢測就是在其充分了解數據結構後來判斷輸入的數據是不是正常。
字元生成的例子表明遞歸神經網路有在不同時間范圍內學習到時間依賴關系的能力，它的這種能力還可以用來檢測網路活動日誌的異常。
異常檢測能夠使文本中的語法錯誤浮出水面，這是因為我們所寫的東西是由語法結構所決定的。同理，網路行為也是有結構的，它也有一個能夠被學習的可預測模式。經過在正常網路活動中訓練的遞歸神經網路可以監測到入侵行為，因為這些入侵行為的出現就像是一個句子沒有標點符號一樣異常。
應用二、一個網路異常檢測項目的示例
假設我們想要了解的網路異常檢測就是能夠得到硬體故障、應用程序失敗、以及入侵的一些信息。
模型將會向我們展示什麼呢？
隨著大量的網路活動日誌被輸入到遞歸神經網路中去，神經網路就能學習到正常的網路活動應該是什麼樣子的。當這個被訓練的網路被輸入新的數據時，它就能偶判斷出哪些是正常的活動，哪些是被期待的，哪些是異常的。
訓練一個神經網路來識別預期行為是有好處的，因為異常數據不多，或者是不能夠准確的將異常行為進行分類。我們在正常的數據里進行訓練，它就能夠在未來的某個時間點提醒我們非正常活動的出現。
說句題外話，訓練的神經網路並不一定非得識別到特定事情發生的特定時間點（例如，它不知道那個特殊的日子就是周日），但是它一定會發現一些值得我們注意的一些更明顯的時間模式和一些可能並不明顯的事件之間的聯系。
我們將概述一下怎麼用 Deeplearning4j（一個在JVM上被廣泛應用的深度學習開源資料庫）來解決這個問題。Deeplearning4j在模型開發過程中提供了很多有用的工具：DataVec是一款為ETL（提取-轉化-載入）任務准備模型訓練數據的集成工具。正如Sqoop為Hadoop載入數據，DataVec將數據進行清洗、預處理、規范化與標准化之後將數據載入到神經網路。這跟Trifacta』s Wrangler也相似，只不過它更關注二進制數據。
開始階段
第一階段包括典型的大數據任務和ETL：我們需要收集、移動、儲存、准備、規范化、矢量話日誌。時間跨度的長短是必須被規定好的。數據的轉化需要花費一些功夫，這是由於JSON日誌、文本日誌、還有一些非連續標注模式都必須被識別並且轉化為數值數組。DataVec能夠幫助進行轉化和規范化數據。在開發機器學習訓練模型時，數據需要分為訓練集和測試集。
訓練神經網路
神經網路的初始訓練需要在訓練數據集中進行。
在第一次訓練的時候，你需要調整一些超參數以使模型能夠實現在數據中學習。這個過程需要控制在合理的時間內。關於超參數我們將在之後進行討論。在模型訓練的過程中，你應該以降低錯誤為目標。
但是這可能會出現神經網路模型過度擬合的風險。有過度擬合現象出現的模型往往會在訓練集中的很高的分數，但是在遇到新的數據時就會得出錯誤結論。用機器學習的語言來說就是它不夠通用化。Deeplearning4J提供正則化的工具和「過早停止」來避免訓練過程中的過度擬合。
神經網路的訓練是最花費時間和耗費硬體的一步。在GPUs上訓練能夠有效的減少訓練時間，尤其是做圖像識別的時候。但是額外的硬體設施就帶來多餘的花銷，所以你的深度學習的框架必須能夠有效的利用硬體設施。Azure和亞馬遜等雲服務提供了基於GPU的實例，神經網路還可以在異構集群上進行訓練。
創建模型
Deeplearning4J提供ModelSerializer來保存訓練模型。訓練模型可以被保存或者是在之後的訓練中被使用或更新。
在執行異常檢測的過程中，日誌文件的格式需要與訓練模型一致，基於神經網路的輸出結果，你將會得到是否當前的活動符合正常網路行為預期的結論。
代碼示例
遞歸神經網路的結構應該是這樣子的：
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder(
.seed(123)
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT).iterations(1)
.weightInit(WeightInit.XAVIER)
.updater(Updater.NESTEROVS).momentum(0.9)
.learningRate(0.005)
.gradientNormalization(GradientNormalization.ClipElementWiseAbsoluteValue)
.(0.5)
.list()
.layer(0, new GravesLSTM.Builder().activation("tanh").nIn(1).nOut(10).build())
.layer(1, new RnnOutputLayer.Builder(LossFunctions.LossFunction.MCXENT)
.activation("softmax").nIn(10).nOut(numLabelClasses).build())
.pretrain(false).backprop(true).build();
MultiLayerNetwork net = new MultiLayerNetwork(conf);
net.init();
下面解釋一下幾行重要的代碼：
.seed(123)
隨機設置一個種子值對神經網路的權值進行初始化，以此獲得一個有復驗性的結果。系數通常都是被隨機的初始化的，以使我們在調整其他超參數時仍獲得一致的結果。我們需要設定一個種子值，讓我們在調整和測試的時候能夠用這個隨機的權值。
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT).iterations(1)
決定使用哪個最優演算法（在這個例子中是隨機梯度下降法）來調整權值以提高誤差分數。你可能不需要對這個進行修改。
.learningRate(0.005)
當我們使用隨機梯度下降法的時候，誤差梯度就被計算出來了。在我們試圖將誤差值減到最小的過程中，權值也隨之變化。SGD給我們一個讓誤差更小的方向，這個學習效率就決定了我們該在這個方向上邁多大的梯度。如果學習效率太高，你可能是超過了誤差最小值；如果太低，你的訓練可能將會永遠進行。這是一個你需要調整的超參數。

9. algodan是什麼意思

algodan是西班牙文,意思是精棉 。
精棉，又稱‍精梳棉（Combed Cotton）－以精梳機移除棉纖維中較短的纖維（約1CM以下），而留下的較長而且整齊的纖維。精梳棉紡出的紗品質更好。精梳棉紗製成的布料在質感、耐洗與耐用度都有較高的品質水準。 精梳棉是指在紡紗的過程中，增加了精緻梳理的程序，做法是梳去較短的纖維，並剔除棉花中的雜質，以製造出平滑的紗線，讓棉花更有韌性，不易起毛球，棉花的品質也就更加穩定。