Polygon马蹄链Matic智能合约系统开发丨Matic马蹄链Polygon智能合约系统开发（详细）
Polygon当下使用的以太坊扩容的方案包含两种扩容解决方案，Plasma链和PoS链：
Matic PoS Chain，官方称之为“提交链”（commit chain）。它不同于侧链，尽管Matic PoS Chain有自己的共识机制，但在验证节点staking和检查点方面，它也依赖于以太坊的安全性。它与以太坊链并行运行，且该链由具有自身验证节点的权益证明共识机制来保护，保证了它的去中心化特性。此外，Matic PoS Chain与以太坊虚拟机（EVM）兼容，那些基于以太坊的项目可便捷地迁移其智能合约至Matic PoS链上。
Polygon的愿景是建立Ethereum的区块链互联网。从本质上讲，Polygon提供了一个通用的框架，允许开发者创建定制的、特定于应用的链，利用Ethereum的安全性，以及提供一个可互操作的网络，将各种不同的扩展解决方案联系在一起，如Zk-rollups、optimistic-rollups和侧链。
import torch
import torch.utils.data as data
import torchvision
import matplotlib.pyplot as plt
DOWNLOAD_MNIST=False#if need to download data,set True at first time
#read train data
train_data=torchvision.datasets.MNIST(
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。
关于区块链项目技术开发唯:yy625019，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。
root='./data',train=True,download=DOWNLOAD_MNIST,transform=torchvision.transforms.ToTensor())
print()
print("size of train_data.train_data:{}".format(train_data.train_data.size()))#train_data.train_data is a Tensor
print("size of train_data.train_labels:{}".format(train_data.train_labels.size()),'n')
#plot one example
plt.imshow(train_data.train_data[50].numpy(),cmap='Greys')
plt.title('{}'.format(train_data.train_labels[50]))
plt.show()开发需求I35模式7O98设计O7I8
#data loader
#combines a dataset and a sampler,and provides an iterable over the given dataset
train_loader=data.DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)
#read test data
test_data=torchvision.datasets.MNIST(root='./data',train=False)
num_test,num_test_over=2000,1000
test_x=torch.unsqueeze(test_data.test_data,dim=1).type(
torch.FloatTensor)[:num_test]/255.#unsqueeze because of 1 channel;value in range(0,1)
test_y=test_data.test_labels[:num_test]
test_over_x=torch.unsqueeze(
test_data.test_data,dim=1).type(torch.FloatTensor)[-num_test_over:]/255.#test data after training
test_over_y=test_data.test_labels[-num_test_over:]
