一枝徐徐

比特币是一个去中心化的电子货币交易系统。系统中的地址，包含多个可以花费的UTXO(Unspent-Transaction-Output)。地址类似于我们日常用的钱包，钱包里有多张钱币(UTXO)，每张钱币的面额不同，每个UTXO包含的比特币也不是固定的。
一个交易包含多个输入输出，每个输入指向一个UTXO，每个输出生成一个新的UTXO，输入的UTXO面值之和等于输出UTXO面值之和加上打包交易的矿工费，由此实现货币的流转。每个UTXO生成的时候会创建一个“契约”，比特币被锁定在该契约中，只有指定的私钥才有资格花费这些比特币。
传统上，比特币的这个“契约”能做的事情很少，基本只能限制谁可以花，在多长时间后可以花，无法指定应该怎么花，比如，某个UTXO只能发送到指定的地址（只能用来买指定商品）等。OP_CAT的重新激活将使得后者成为可能，不仅如此，比特币链上的去中心化金融将成为可能。

比特币符文是比特币链上新资产发行的协议，它允许使用比特币交易来发行、铸造和转移比特币原生的数字货币。

铭文是在单个聪上铭刻任意内容，创建独特的比特币原生数字收藏的协议。

中本聪(satoshis)，这里简称聪，是比特币网络的原子原生货币。一个比特币可以细分为1亿个聪，并且不能再继续细分。

序数理论关注的是中本聪，赋予聪个体身份，并允许它们被追踪、转移和赋予意义。

ImageNet LSVRC-2010、2012冠军网络。由5个卷积层（其中一些卷积层后面是max-pooling层），3个直连层，以及最后一个输出为1000维向量的softmax层组成。为了防止过拟合，AlexNet在直连层的后面添加了dropout层。

深度学习目前在各个领域，尤其是图像和语音领域上，表现远超传统方法，靠的是卷积神经网络这个特殊的神经网络，卷积神经网络和普通神经网络的区别主要在于其深度以及特殊的层上，而其核心的层则是卷积层和池化层。

前面我们已经了解神经网络的各个组成部分，以及一些基本的层，比如全连接层，ReLU层等，现在是时候开始搭建一个简单的神经网络了!

Swift 的特点

• 命名参数
• 类型推断
• 消除头文件，提供命名空间
• 自动管理里内存
• 语句末不需要添加分号
• 闭包和函数指针统一
• Tuples和多个返回值
• 泛型
• 快速精确遍历范围或者集合
• 结构体支持methods, extensions, and protocols
• 函数型的编程模式，比如map和filter
• 使用try/catch/throw的原生的错误捕捉

神经网络通常由输入层（数据层）、全连接层、激活层、正规化层、以及损失层组成。其中的全连接层，激活层和正规化层又称为隐藏层。下面分别介绍。

机器学习的目标是获得一组最优的参数，这些参数决定了评分函数，因此我们要找一个最优的评分函数。实际上通过引入损失函数，我们可以通过最小化损失函数来不断更新评分函数的参数，具体来说，机器学习可以通过一种迭代的技术，使得每一步的迭代之后，损失函数的输出都能减小，因此在有限步迭代之后，损失函数就能达到最小值点（当然这是一个局部最小值）。在每一次迭代之后，我们都会根据损失函数的输出更新评分函数的参数，这样就达到了学习的目的。