NFT盲盒数字藏品系统开发（详细规则）丨NFT数字藏品盲盒系统开发（功能源码）

　　数字藏品是指使用是指使用区域链技术，对应特定的作品、艺术品生成的唯一数字凭证，在保护其数字版权的基础上，实现真实可信的数字化发行，购买收藏和使用。

　　import os

　　import numpy as np

　　import torch

　　import torchvision

　　import onnx

　　import onnxruntime as ort

　　from model import CNN#need model structure

　　PATH=os.path.dirname(__file__)

　　NUM_TEST=1000

　　"""from pt to onnx"""

　　#get pt model

　　关于区块链项目技术开发唯:MrsFu123，代币发行、dapp智能合约开发、链游开发、多链钱包开发

　　交易所开发、量化合约开发、互助游戏开发、Nft数字藏品开发、众筹互助开发、元宇宙开发、swap开发、

　　链上合约开发、ido开发、商城开发等，开发过各种各样的系统模式，更有多种模式、制度、案例、后台等，成熟技术团队，欢迎实体参考。

　　path_pt=os.path.join(PATH,"cnn.pt")

　　model_pt=torch.load(f=path_pt)

　　#dummy input

　　dummy_input=torch.randn(size=(1,1,28,28))

　　#save onnx model

　　path_onnx=os.path.join(PATH,"cnn.onnx")

　　区块链数字藏品的特性

　　基于区块链的数字藏品具备唯一性、不可分割、不可篡改、可验证、稀缺性等技术特性：

　　（1）唯一性：每个数字藏品在特定链上都具备唯一标识，可以代表数字或现实世界中的某个资产对象。

　　（2）不可分割：每个数字藏品自身都不可分割，可代表特定的数字藏品。

　　（3）不可篡改：基于区块链不可篡改的特性，使得数字藏品本身属性及所有权信息、历史交易记录等信息在抗篡改的链式数据结构中存储记录。

　　（4）可验证：区块链上信息公开透明，所有用户均可查询、验证数字藏品的所有权信息。

　　（5）稀缺性：互联网时代，信息复制门槛低，价值难受到认可。而区块链数字藏品独一无二、权属明确，可永久保存，具备稀缺性，让基于区块链的数字藏品有更强的溢价能力。

　　input_names=['actual_input']+['learned_%d'%i for i in range(6)]

　　torch.onnx.export(model=model_pt,args=dummy_input,f=path_onnx,

　　verbose=True,input_names=input_names)#arg verbose:True to print log

　　"""load onnx model"""

　　#load onnx model开发逻辑I35模式7O98源码O7I8

　　model_onnx=onnx.load(path_onnx)

　　#check if model well formed

　　onnx.checker.check_model(model_onnx)

　　#print a human readable representation of the graph

　　print(onnx.helper.printable_graph(model_onnx.graph))

　　#data input

　　test_data=torchvision.datasets.MNIST(root='./data',train=False)

　　test_data_x=torch.unsqueeze(input=test_data.test_data,dim=1).type(torch.FloatTensor)[:NUM_TEST]/255.

　　test_data_y=test_data.test_labels[:NUM_TEST]

　　"""run onnx model"""

　　#ort session initialize

　　ort_session=ort.InferenceSession(path_onnx)

　　#dummy input

　　outputs=ort_session.run(output_names=None,

　　input_feed={'actual_input':np.random.randn(1,1,28,28).astype(np.float32)})

　　print("result of dummy input:{}".format(outputs[0]),'n')

　　#test data,loop

　　num_correct=0

　　for i in range(NUM_TEST):

　　test_data_x_,test_data_y_=test_data_x[i:i+1],test_data_y<i>

　　outputs=ort_session.run(output_names=None,input_feed={'actual_input':test_data_x_.numpy()})

　　predict_y=np.argmax(outputs[0])

　　if predict_y==test_data_y_:

　　num_correct+=1

　　else:

　　print("predict result{},correct answer{}".format(predict_y,test_data_y_),'n')

　　accuracy=round(num_correct/NUM_TEST,3)

　　print("model accuracy:{}".format(accuracy),'n')