華為股票代碼的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

Python深度學習：基於PyTorch

為了解決華為股票代碼的問題，作者吳茂貴鬱明敏楊本法李濤張粵磊 這樣論述：

這是一本基於*的Python和PyTorch版本的深度學習著作，旨在幫助讀者低門檻進入深度學習領域，輕鬆速掌握深度學習的理論知識和實踐方法，快速實現從入門到進階的轉變。 本書是多位元人工智慧技術專家和大資料技術專家多年工作經驗的結晶，從工具使用、技術原理、演算法設計、案例實現等多個維度對深度學習進行了系統的講解。內容選擇上，廣泛涉獵、重點突出、注重實戰；內容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。 本書共16章，分為三部分： 第一部分（第1~4章） PyTorch基礎 首先講解了機器學習和資料科學中必然會用到的工具Numpy的使用，然後從多個角度

講解了Pytorch的必備基礎知識，*後詳細講解了Pytorch的神經網路工具箱和資料處理工具箱。 第二部分（第5~8章） 深度學習基礎 這部分從技術原理、演算法設計、實踐技巧等維度講解了機器學習和深度學習的經典理理論、演算法以及提升深度學習模型性能的多種技巧，涵蓋視覺處理、NLP和生成式深度學習等主題。 第三部分（第9~16章） 深度學習實踐 這部分從工程實踐的角度講解了深度學習的工程方法和在一些熱門領域的實踐方案，具體包括人臉識別、圖像修復、圖像增強、風格遷移、中英文互譯、生成式對抗網路、對抗攻擊、強化學習、深度強化學習等內容。   吳茂貴 資深大資料和人工智

慧技術專家，就職于中國外匯交易中心，在BI、資料採擷與分析、資料倉庫、機器學習等領域工作超過20年。在基於Spark、TensorFlow、PyTorch、Keras等的機器學習和深度學習方面有大量的工程實踐實踐。著有《Python深度學習：基於TensorFlow》《深度實踐Spark機器學習》《自己動手做大資料系統》等著作。 郁明敏 資深商業分析師，從事互聯網金融演算法研究工作，專注於大資料、機器學習以及資料視覺化的相關領域，擅長 Python、Hadoop、Spark 等技術，擁有豐富的實戰經驗。曾獲“江蘇省TI杯大學生電子競技大賽”二等獎和“華為杯全國大學生數學建模大賽”二等獎。

楊本法 高級演算法工程師，在流程優化、資料分析、資料採擷等領域有10餘年實戰經驗，熟悉Hadoop和Spark技術棧。有大量工程實踐經驗，做過的專案包括：推薦系統、銷售預測系統、輿情監控系統、揀貨系統、報表視覺化、配送路線優化系統等。 李濤 資深AI技術工程師，對PyTorch、Caffe、TensorFlow等深度學習框架以及電腦視覺技術有深刻的理解和豐富的實踐經驗，曾經參與和主導過服務機器人、無人售後店、搜索排序等多個人工智慧相關的項目。 張粵磊 資深大資料技術專家，飛谷雲創始人，有10餘年一線資料資料採擷與分析實戰經驗。先後在諮詢、金融、互聯網行業擔任大資料平臺的技術負責人或

架構師。   前言 第一部分　PyTorch基礎 第1章　Numpy基礎2 1.1　生成Numpy陣列3 1.1.1　從已有資料中創建陣列3 1.1.2　利用random模組生成陣列4 1.1.3　創建特定形狀的多維陣列5 1.1.4　利用arange、linspace函數生成陣列6 1.2　獲取元素7 1.3　Numpy的算數運算9 1.3.1　對應元素相乘9 1.3.2　點積運算10 1.4　陣列變形11 1.4.1　更改陣列的形狀11 1.4.2　合併陣列14 1.5　批量處理16 1.6　通用函數17 1.7　廣播機制19 1.8　小結20 第2章　PyTor

ch基礎21 2.1　為何選擇PyTorch？21 2.2　安裝配置22 2.2.1　安裝CPU版PyTorch22 2.2.2　安裝GPU版PyTorch24 2.3　Jupyter Notebook環境配置26 2.4　Numpy與Tensor28 2.4.1　Tensor概述28 2.4.2　創建Tensor28 2.4.3　修改Tensor形狀30 2.4.4　索引操作31 2.4.5　廣播機制32 2.4.6　逐元素操作32 2.4.7　歸併操作33 2.4.8　比較操作34 2.4.9　矩陣操作35 2.4.10　PyTorch與Numpy比較35 2.5　Tensor與Autog

rad36 2.5.1　自動求導要點36 2.5.2　計算圖37 2.5.3　標量反向傳播38 2.5.4　非標量反向傳播39 2.6　使用Numpy實現機器學習41 2.7　使用Tensor及Antograd實現機器學習44 2.8　使用TensorFlow架構46 2.9　小結48 第3章　PyTorch神經網路工具箱49 3.1　神經網路核心元件49 3.2　實現神經網路實例50 3.2.1　背景說明51 3.2.2　準備數據52 3.2.3　視覺化來源資料53 3.2.4　構建模型53 3.2.5　訓練模型54 3.3　如何構建神經網路？56 3.3.1　構建網路層56 3.3.2　

前向傳播57 3.3.3　反向傳播57 3.3.4　訓練模型58 3.4　神經網路工具箱nn58 3.4.1　nn.Module58 3.4.2　nn.functional58 3.5　優化器59 3.6　動態修改學習率參數60 3.7　優化器比較60 3.8　小結62 第4章　PyTorch資料處理工具箱63 4.1　資料處理工具箱概述63 4.2　utils.data簡介64 4.3　torchvision簡介66 4.3.1　transforms67 4.3.2　ImageFolder67 4.4　視覺化工具69 4.4.1　tensorboardX簡介69 4.4.2　用tensor

boardX視覺化神經網路71 4.4.3　用tensorboardX視覺化損失值72 4.4.4　用tensorboardX視覺化特徵圖73 4.5　本章小結74 第二部分　深度學習基礎 第5章　機器學習基礎76 5.1　機器學習的基本任務76 5.1.1　監督學習77 5.1.2　無監督學習77 5.1.3　半監督學習78 5.1.4　強化學習78 5.2　機器學習一般流程78 5.2.1　明確目標79 5.2.2　收集資料79 5.2.3　資料探索與預處理79 5.2.4　選擇模型及損失函數80 5.2.5　評估及優化模型81 5.3　過擬合與欠擬合81 5.3.1　權重正則化82

5.3.2　Dropout正則化83 5.3.3　批量正則化86 5.3.4　權重初始化88 5.4　選擇合適啟動函數89 5.5　選擇合適的損失函數90 5.6　選擇合適優化器92 5.6.1　傳統梯度優化的不足93 5.6.2　動量演算法94 5.6.3　AdaGrad演算法96 5.6.4　RMSProp演算法97 5.6.5　Adam演算法98 5.7　GPU加速99 5.7.1　單GPU加速100 5.7.2　多GPU加速101 5.7.3　使用GPU注意事項104 5.8　本章小結104 第6章　視覺處理基礎105 6.1　卷積神經網路簡介105 6.2　卷積層107 6.2.1

　卷積核108 6.2.2　步幅109 6.2.3　填充111 6.2.4　多通道上的卷積111 6.2.5　啟動函數113 6.2.6　卷積函數113 6.2.7　轉置卷積114 6.3　池化層115 6.3.1　局部池化116 6.3.2　全域池化117 6.4　現代經典網路119 6.4.1　LeNet-5模型119 6.4.2　AlexNet模型120 6.4.3　VGG模型121 6.4.4　GoogleNet模型122 6.4.5　ResNet模型123 6.4.6　膠囊網路簡介124 6.5　PyTorch實現CIFAR-10多分類125 6.5.1　資料集說明125 6.5.2

　載入數據125 6.5.3　構建網路127 6.5.4　訓練模型128 6.5.5　測試模型129 6.5.6　採用全域平均池化130 6.5.7　像Keras一樣顯示各層參數131 6.6　模型集成提升性能133 6.6.1　使用模型134 6.6.2　集成方法134 6.6.3　集成效果135 6.7　使用現代經典模型提升性能136 6.8　本章小結137 第7章　自然語言處理基礎138 7.1　迴圈神經網路基本結構138 7.2　前向傳播與隨時間反向傳播140 7.3　迴圈神經網路變種143 7.3.1　LSTM144 7.3.2　GRU145 7.3.3　Bi-RNN146 7.4

　迴圈神經網路的PyTorch實現146 7.4.1　RNN實現147 7.4.2　LSTM實現149 7.4.3　GRU實現151 7.5　文本資料處理152 7.6　詞嵌入153 7.6.1　Word2Vec原理154 7.6.2　CBOW模型155 7.6.3　Skip-Gram模型155 7.7　PyTorch實現詞性判別156 7.7.1　詞性判別主要步驟156 7.7.2　數據預處理157 7.7.3　構建網路157 7.7.4　訓練網路158 7.7.5　測試模型160 7.8　用LSTM預測股票行情160 7.8.1　 導入數據160 7.8.2　數據概覽161 7.8.3　預

處理數據162 7.8.4　定義模型163 7.8.5　訓練模型163 7.8.6　測試模型164 7.9　迴圈神經網路應用場景165 7.10　小結166 第8章　生成式深度學習167 8.1　用變分自編碼器生成圖像167 8.1.1　自編碼器168 8.1.2　變分自編碼器168 8.1.3　用變分自編碼器生成圖像169 8.2　GAN簡介173 8.2.1　GAN架構173 8.2.2　GAN的損失函數174 8.3　用GAN生成圖像175 8.3.1　判別器175 8.3.2　生成器175 8.3.3　訓練模型175 8.3.4　視覺化結果177 8.4　VAE與GAN的優缺點178

8.5　ConditionGAN179 8.5.1　CGAN的架構179 8.5.2　CGAN生成器180 8.5.3　CGAN判別器180 8.5.4　CGAN損失函數181 8.5.5　CGAN視覺化181 8.5.6　查看指定標籤的數據182 8.5.7　視覺化損失值182 8.6　DCGAN183 8.7　提升GAN訓練效果的一些技巧184 8.8　小結185 第三部分　深度學習實踐 第9章　人臉檢測與識別188 9.1　人臉識別一般流程188 9.2　人臉檢測189 9.2.1　目標檢測189 9.2.2　人臉定位191 9.2.3　人臉對齊191 9.2.4　MTCNN演算法

192 9.3　特徵提取193 9.4　人臉識別198 9.4.1　人臉識別主要原理198 9.4.2　人臉識別發展198 9.5　PyTorch實現人臉檢測與識別199 9.5.1　驗證檢測代碼199 9.5.2　檢測圖像200 9.5.3　檢測後進行預處理200 9.5.4　查看經檢測後的圖像201 9.5.5　人臉識別202 9.6　小結202 第10章　遷移學習實例203 10.1　遷移學習簡介203 10.2　特徵提取204 10.2.1　PyTorch提供的預處理模組205 10.2.2　特徵提取實例206 10.3　資料增強209 10.3.1　按比例縮放209 10.3.2　

裁剪210 10.3.3　翻轉210 10.3.4　改變顏色211 10.3.5　組合多種增強方法211 10.4　微調實例212 10.4.1　數據預處理212 10.4.2　載入預訓練模型213 10.4.3　修改分類器213 10.4.4　選擇損失函數及優化器213 10.4.5　訓練及驗證模型214 10.5　清除圖像中的霧霾214 10.6　小結217 第11章　神經網路機器翻譯實例218 11.1　Encoder-Decoder模型原理218 11.2　注意力框架220 11.3　PyTorch實現注意力Decoder224 11.3.1　構建Encoder224 11.3.2　

構建簡單Decoder225 11.3.3　構建注意力Decoder226 11.4　用注意力機制實現中英文互譯227 11.4.1　導入需要的模組228 11.4.2　數據預處理228 11.4.3　構建模型231 11.4.4　訓練模型234 11.4.5　隨機採樣，對模型進行測試235 11.4.6　視覺化注意力236 11.5　小結237 第12章　實戰生成式模型238 12.1　DeepDream模型238 12.1.1　Deep Dream原理238 12.1.2　DeepDream演算法流程239 12.1.3　用PyTorch實現Deep Dream240 12.2　風格遷移

243 12.2.1　內容損失244 12.2.2　風格損失245 12.2.3　用PyTorch實現神經網路風格遷移247 12.3　PyTorch實現圖像修復252 12.3.1　網路結構252 12.3.2　損失函數252 12.3.3　圖像修復實例253 12.4　PyTorch實現DiscoGAN255 12.4.1　DiscoGAN架構256 12.4.2　損失函數258 12.4.3　DiscoGAN實現258 12.4.4　用PyTorch實現從邊框生成鞋子260 12.5　小結262 第13章　Caffe2模型遷移實例263 13.1　Caffe2簡介263 13.2　Ca

ffe如何升級到Caffe2264 13.3　PyTorch如何遷移到Caffe2265 13.4　小結268 第14章　AI新方向：對抗攻擊269 14.1　對抗攻擊簡介269 14.1.1　白盒攻擊與黑盒攻擊270 14.1.2　無目標攻擊與有目標攻擊270 14.2　常見對抗樣本生成方式271 14.2.1　快速梯度符號法271 14.2.2　快速梯度演算法271 14.3　PyTorch實現對抗攻擊272 14.3.1　實現無目標攻擊272 14.3.2　實現有目標攻擊274 14.4　對抗攻擊和防禦措施276 14.4.1　對抗攻擊276 14.4.2　常見防禦方法分類276 14

.5　總結277 第15章　強化學習278 15.1　強化學習簡介278 15.2　Q-Learning原理281 15.2.1　Q-Learning主要流程281 15.2.2　Q函數282 15.2.3　貪婪策略283 15.3　用PyTorch實現Q-Learning283 15.3.1　定義Q-Learing主函數283 15.3.2　執行Q-Learing284 15.4　SARSA演算法285 15.4.1　SARSA演算法主要步驟285 15.4.2　用PyTorch實現SARSA演算法286 15.5　小結287 第16章　深度強化學習288 16.1　DQN演算法原理28

8 16.1.1　Q-Learning方法的局限性289 16.1.2　用DL處理RL需要解決的問題289 16.1.3　用DQN解決方法289 16.1.4　定義損失函數290 16.1.5　DQN的經驗重播機制290 16.1.6　目標網路290 16.1.7　網路模型291 16.1.8　DQN演算法291 16.2　用PyTorch實現DQN演算法292 16.3　小結295 附錄A　PyTorch0.4版本變更296 附錄B　AI在各行業的最新應用301   為什麼寫這本書 在人工智慧時代，如何儘快掌握人工智慧的核心——深度學習，是每個欲進入該領域的人都會面臨

的問題。目前，深度學習框架很多，如TensorFlow、PyTorch、Keras、FastAI、CNTK等，這些框架各有優缺點，應該如何選擇？是否有一些標準？我認為，適合自己的就是最好的。 如果你是一位初學者，建議選擇PyTorch，有了一定的基礎之後，可以學習其他一些架構，如TensorFlow、CNTK等。建議初學者選擇PyTorch的主要依據是： 1）PyTorch是動態計算圖，其用法更貼近Python，並且，PyTorch與Python共用了許多Numpy的命令，可以降低學習的門檻，比TensorFlow更容易上手。 2）PyTorch需要定義網路層、參數更新等關鍵步驟，這非常

有助於理解深度學習的核心；而Keras雖然也非常簡單，且容易上手，但封裝細微性很粗，隱藏了很多關鍵步驟。 3）PyTorch的動態圖機制在調試方面非常方便，如果計算圖運行出錯，馬上可以跟蹤問題。PyTorch的調試與Python的調試一樣，通過中斷點檢查就可以高效解決問題。 4）PyTorch的流行度僅次於TensorFlow。而最近一年，在GitHub關注度和貢獻者的增長方面，PyTorch跟TensorFlow基本持平。PyTorch的搜索熱度持續上漲，加上FastAI的支持，PyTorch將受到越來越多機器學習從業者的青睞。 深度學習是人工智慧的核心，隨著大量相關項目的落地，人們對

深度學習的興趣也持續上升。不過掌握深度學習卻不是一件輕鬆的事情，尤其是對機器學習或深度學習的初學者來說，挑戰更多。為了廣大人工智慧初學者或愛好者能在較短時間內掌握深度學習基礎及利用PyTorch解決深度學習問題，我們花了近一年時間打磨這本書，在內容選擇、安排和組織等方面採用了如下方法。 （1）內容選擇：廣泛涉獵 精講 注重實戰 深度學習涉及面比較廣，且有一定門檻。沒有一定廣度很難達到一定深度，所以本書內容基本包括了機器學習、深度學習的主要內容。書中各章一般先簡單介紹相應的架構或原理，幫助讀者理解深度學習的本質。當然，如果只有概念、框架、原理、數學公式的介紹，可能就顯得有點抽象或乏味，所以，

每章都配有大量實踐案例，通過實例有利於加深對原理和公式的理解，同時有利於把相關內容融會貫通。 （2）內容安排：簡單實例開始 循序漸進 深度學習是一塊難啃的硬骨頭，對有一定開發經驗和數學基礎的從業者是這樣，對初學者更是如此。其中卷積神經網路、迴圈神經網路、對抗式神經網路是深度學習的基石，同時也是深度學習的3大硬骨頭。為了讓讀者更好地理解掌握這些網路，我們採用循序漸進的方式，先從簡單特例開始，然後逐步介紹更一般性的內容，最後通過一些PyTorch代碼實例實現之，整本書的結構及各章節內容安排都遵循這個原則。此外，一些優化方法也採用這種方法，如對資料集Cifar10分類優化，先用一般卷積神經網路，

然後使用集成方法、現代經典網路，最後採用資料增加和遷移方法，使得模型精度不斷提升，由最初的68%，上升到74%和90%，最後達到95%左右。 （3）表達形式：讓圖說話，一張好圖勝過千言萬語 在機器學習、深度學習中有很多抽象的概念、複雜的演算法、深奧的理論等，如Numpy的廣播機制、梯度下降對學習率敏感、神經網路中的共用參數、動量優化法、梯度消失或爆炸等，這些內容如果只用文字來描述，可能很難達到使讀者茅塞頓開的效果，但如果用一些圖形來展現，再加上適當的文字說明，往往能取得非常好的效果，正所謂一張好圖勝過千言萬語。 除了以上談到的3個方面，為了幫助大家更好理解、更快掌握機器學習、深度學習這些

人工智慧的核心內容，本書還包含了其他方法。我們希望通過這些方法方式帶給你不一樣的理解和體驗，使抽象數學不抽象、深度學習不深奧、複雜演算法不複雜、難學的深度學習也易學，這也是我們寫這本書的主要目的。 至於人工智慧（AI）的重要性，我想就不用多說了。如果說2016年前屬於擺事實論證的階段，2017年和2018年是事實勝於雄辯的階段，那麼2019年及以後就進入百舸爭流、奮楫者先的階段。目前各行各業都忙於“AI ”，大家都希望通過AI來改造傳統流程、傳統結構、傳統業務、傳統架構，其效果猶如歷史上用電改造原有的各行各業一樣。  

區塊鏈DAPP開發入門、代碼實現、場景應用

為了解決華為股票代碼的問題，作者李萬勝 這樣論述：

本書以DAPP的原理和具體實現為主線索，通過對這些知識的講解，使讀者對DAPP系統開發有更全面的認識，同時把區塊鏈公鏈的相關知識融合進來，使得讀者不僅能夠設計和實現DAPP系統，還能大體理解DAPP的相關知識。 本書分為7章。第1章簡單介紹了區塊鏈的基礎知識，通過一個簡單的智慧合約的代碼，讓讀者對區塊鏈有更直觀的認識；第2章講解了各類整合式開發環境的搭建，尤其是MetaMask外掛程式，使用者需要通過此外掛程式連接乙太坊主網後才能使用DAPP系統；第3章講解了Solidity編譯及部署到公鏈之後的資料表達和函式呼叫方式；第4章介紹了ABI介面的技術細節；第5章和第6章以案例的方式介紹了DAP

P開發的細節；第7章講解了DAPP潛在的風險。 希望本書能為廣大系統開發者和投資者提供一些幫助。     李萬勝 NBS Chain創始人，專注于數位資產的存儲和價值轉移的底層技術實現，是中國早期的區塊鏈實踐者，數位貨幣錢包開發者，GitHub等多個開源社區重要貢獻者，區塊鏈自媒體達人，寫過“乙太坊黃皮書分析”“區塊鏈投資邏輯”“Filecoin技術文檔學習筆記”“IPFS深度分析”等文章。先後服務于浪潮、華為、開心網等企業，並在美國與他人聯合創立電子商務公司，後回國創立互金公司，現為北京非對稱區塊鏈有限公司創始人。     第1章 智能合約概述 1

1.1 區塊鏈基礎知識 1 1.1.1 交易 1 1.1.2 區塊 4 1.1.3 鏈 4 1.1.4 挖礦 5 1.1.5 共識演算法 6 1.1.6 分叉 7 1.1.7 攻擊 8 1.2 乙太坊智慧合約 9 1.2.1 乙太坊 9 1.2.2 EVM 12 1.2.3 智能合約 13 1.2.4 DAPP 14 1.3 簡單的智慧合約 15 1.3.1 示例1 16 1.3.2 示例2 17 1.4 小結 18 第2章 開發環境搭建 20 2.1 Remix的使用 20 2.1.1 程式設計介面 20 2.1.2 運行環境 22 2.1.3 其他設置 24 2.2 Ethereum

Wallet的安裝與使用 26 2.2.1 安裝 26 2.2.2 部署合約 28 2.2.3 調試 32 2.2.4 Ethereum Wallet小結 38 2.3 Ganache Truffle的安裝與使用 38 2.3.1 Ganache 38 2.3.2 Truffle 40 2.3.3 安裝總結 45 2.4 MetaMask的配置與使用 45 2.5 小結 47 2.6 課後練習 47 第3章 Solidity程式設計語法 48 3.1 Solidity前導知識 48 3.2 智慧合約的基本構成 50 3.2.1 狀態變數 50 3.2.2 函數 50 3.2.3 函數修飾器

50 3.2.4 事件 51 3.2.5 結構體 51 3.2.6 枚舉類型 52 3.3 Solidity資料類型 52 3.3.1 數值型別 53 3.3.2 參考類型 58 3.3.3 左值操作類型 65 3.3.4 類型轉換原則 66 3.4 全域變數和單位 68 3.4.1 單位 68 3.4.2 全域變數和函數 69 3.5 控制邏輯與運算式 71 3.5.1 控制語句 71 3.5.2 函式呼叫 71 3.5.3 通過new關鍵字創建合約 73 3.5.4 賦值 74 3.5.5 作用範圍與聲明 75 3.5.6 異常處理 76 3.6 智能合約 78 3.6.1 創建合約 78

3.6.2 可見範圍和getter 80 3.6.3 函數修飾符 83 3.6.4 狀態常量 85 3.6.5 函數 86 3.6.6 events 91 3.6.7 繼承 93 3.6.8 抽象合約 97 3.6.9 介面 98 3.6.10 庫 99 3.6.11 using for 102 3.7 Solidity組合語言 103 3.7.1 內嵌式彙編 103 3.7.2 獨立彙編 109 3.8 小結 110 3.9 課後練習 110 第4章 ABI（應用程式二進位介面） 111 4.1 介面調用的基本原理 111 4.2 函式呼叫與參數封裝 115 4.2.1 資料封裝的基礎知

識 115 4.2.2 函數選擇 116 4.2.3 參數封裝 117 4.2.4 封裝示例 118 4.3 ABI介面JSON描述 129 4.4 小結 132 4.5 課後練習 133 第5章 ICO、token和DAO 134 5.1 ICO是第一個爆款DAPP 134 5.1.1 被扭曲了的ICO 135 5.1.2 傳統眾籌與乙太坊眾籌 135 5.1.3 眾籌的變種ICO 143 5.2 token 144 5.2.1 token的基本元素 144 5.2.2 改進token 150 5.3 ICO 158 5.4 DAO 162 5.4.1 創建DAO合約 162 5.4.2

使用DAO的方式 170 5.4.3 模擬股票監管的DAO合約 174 5.5 ICO認知誤區與防騙指南 175 5.6 小結 176 5.7 課後練習 177 第6章 DAPP完整實戰 178 6.1 投票 178 6.1.1 Truffle默認案例講解 178 6.1.2 修改為投票系統 187 6.1.3 實戰小結 193 6.2 誓言上鏈 193 6.3 區塊鏈彩票 199 6.3.1 業務架構 199 6.3.2 業務代碼實現 201 6.4 小結 219 6.5 課後練習 219 第7章 智慧合約安全與公鏈技術簡介 220 7.1 合約溢出攻擊實例 220 7.2 智能合約安全

性漏洞與建議 224 7.2.1 合約漏洞 224 7.2.2 安全建議 226 7.3 常見的公鏈安全問題 227 7.3.1 雙花攻擊 227 7.3.2 女巫攻擊 228 7.3.3 日食攻擊 229 7.3.4 DDoS攻擊 230 7.4 小結 230   前言 最早接觸區塊鏈是在2009年，當時我正在華為的一個網路安全部門從事研發工作，我在諾基亞工作的同學徐明亮，讓我為他的美國同事開發一款比特幣錢包應用，我也有幸接觸比特幣的原始程式碼，並嘗試編寫區塊鏈的相關應用。 當時我對區塊鏈的理解尚處在代碼層面，作為一個沒有太多社會經驗的程式師，我認為比特幣、區塊鏈僅僅

作為點對點網路，通過密碼學的方式保證資料傳輸和訪問的安全，從性能提高和技術創新的角度看，它並沒有先進性可言。當時我的工作內容就涉及網路與安全（密碼學屬於安全範疇），這個知識背景使得我對比特幣的技術沒有產生特別濃厚的興趣。況且其代碼完全開源，對我來講，這樣的項目一點競爭優勢都沒有。 到2017年，一種新型區塊鏈公鏈專案爆發，它就是乙太坊。當時國內外的區塊鏈專案如火如荼，基於乙太坊發行自己專案的token一時風頭無二，很多投資機構也積極地參與其中。此時我已經參與過多個創業專案，對商業基本邏輯有了初步的認識，對於創業初期面臨的問題也有了較深刻的理解。此時有投資人推薦我從事區塊鏈方向的創業，我也因此

重新對比特幣和乙太坊的設計進行了認真學習。當我研讀完乙太坊的白皮書之後，深深地被其技術特點及可以解決的問題範疇所震撼，我會在本書第5章對其涉及的ICO、token和DAO做詳細的講解。不同於比特幣僅僅通過加密對一個數值進行去中心化的安全處理，乙太坊已經可以與現實世界的商業邏輯進行緊密的融合。 從應用場景來說，比特幣僅限於金融領域的應用，而乙太坊已經超出了這個範疇，其第一個爆款DAPP——ICO在近幾年全球的創業圈中掀起了巨大的變革浪潮，雖然它還伴隨著資訊不對稱、技術不對稱等問題，有很多欺詐專案也打著區塊鏈的旗號作惡，但是如果用這樣的技術解決真正有價值的問題，那麼其影響也是巨大的。本書第6章以

彩票為例，從代碼到業務模式進行了詳細的講解，通過區塊鏈DAPP解決彩票問題有很大的經濟價值和社會價值。 從技術角度來說，比特幣是一個很難程式設計的架構，如果需要利用區塊鏈加密安全、公開透明、去中心化的特點，在一般情況下，專案方都需要升級整套比特幣原始程式碼，以滿足自己項目的技術需求和業務需求。很多分叉幣都是以這樣的思路升級比特幣的某些特性，然後重新建設自己的生態的。而對於乙太坊來講，智慧合約虛擬機器的引入使得乙太坊成為一個可程式設計的區塊鏈網路，為了達到同樣的目的，專案方只需編寫DAPP即可，無須重新搭建網路和建設生態。從這個角度來講，比特幣網路類似於諾基亞的功能手機，而乙太坊類似于iPho

ne的智能手機。前者不可程式設計，新特性需要新型號的手機；後者有App Store，用戶可以通過下載App滿足自訂的手機需求。 本書的另一個目的是希望通過代碼及架構設計的講解，把區塊鏈真正的價值和正確的使用方式傳遞給更多的讀者，使得各類詐騙專案不再能輕易地欺騙更多的群眾。在認真研究了乙太坊之後，我欣然接受了投資人的建議，成功融資並開始了區塊鏈公鏈方面的研發。目前我從事的專案主要是對乙太坊進行進一步升級。雖然乙太坊使得區塊鏈可以程式設計，但是其操作物件仍然是抽象的數位貨幣，無法與現實世界中有價值的資產進行關聯。我希望通過區塊鏈對頻寬流量、分散式存儲、CPU算力共用等IT資源進行token激勵和

記帳管理，這些資源在現實世界中是有價值的，且其價值是可衡量的。 在專案開發過程中，我整理了很多底層的區塊鏈架構的技術文檔，包括一些智慧合約相關的技術文擋，因為這些資料相對較少，並且區塊鏈熱潮使得很多人對此類知識相對渴望，因此這些技術文檔的讀者逐漸多了起來。2018年，出版社的朋友希望我整理一些資料，編寫成書，讓更多的人可以讀到這些技術文檔。我覺得這對於區塊鏈開發者和投資人來說都是一件非常有意義的事情，因此我欣然答應，這是本書的寫作背景。 因為當前區塊鏈尚處在發展初期，包括乙太坊的程式設計語言Solidity，其版本仍然未達到release版本，因此很多知識可能會發生變化，希望讀者及時跟進官

方的資料。歡迎讀者對本書表述不合理的地方提出建議或意見，我一定虛心接受。本書的代碼會放在GitHub上：https://github.com/9992800/ Dapp-on-Ethereum。我僅以本書抛磚引玉，希望更多的科技人才加入區塊鏈行業中來，一起促進區塊鏈的良性發展。同時希望本書對投資人有所説明，提高其分辨騙局專案的能力。 再次感謝出版社對我的信任，以及朋友和親人對我事業的支援。 李萬勝  

職棒簽賭事件對球團母公司股價的影響

為了解決華為股票代碼的問題，作者張聿德 這樣論述：

版權宣告 i謝辭 ii中文摘要 iii英文摘要 iv目錄 v表目錄 vii圖目錄 viii第一章 緒論 1第一節 研究背景與動機 2第二節 研究目的 4第三節 研究流程 4第二章 文獻探討 6第一節 職棒簽賭案的始末 6第二節 職棒簽賭案之相關研究 10第三節 事件研究法之相關研究 13第三章 研究方法 15第一節 事件研究法 15第二節 研究樣本與時間 17第四章 實證結果與分析 44第一節 職棒簽賭事件對球團母公司股價的影響 44第二節 職棒簽賭事件對投資人的影響 49第三節 職棒簽賭事件的分析 49第五章 結論與建議 54第一節 研究結論 54第二節 後續研究與建議 56參考文獻 58

表目錄表2-1 職棒檢賭事件概述 7表3-1 各職棒檢賭事件 17表3-2 職棒檢賭事件概述、球團母公司及股價歸納表－黑虎事件 18表3-3 職棒檢賭事件概述、球團母公司及股價歸納表－黑鷹事件 19表3-4 職棒檢賭事件概述、球團母公司及股價歸納表－黑道挾持球員事件 30表3-5 職棒檢賭事件概述、球團母公司及股價歸納表－蘇立偉事件 31表3-6 職棒檢賭事件概述、球團母公司及股價歸納表－黑熊事件 32表3-7 職棒檢賭事件概述、球團母公司及股價歸納表－黑鯨事件 34表3-8 職棒檢賭事件概述、球團母公司及股價歸納表－黑米事件 36表3-9 職棒檢賭事件概述、球團母公司及股價歸納表－黑象事件

37表3-10 職棒簽賭事件涉案球團母公司及母公司股價代碼 41表3-11 職棒簽賭事件相關日期、球團母公司、股價代碼一覽表 42表4-1 職棒簽賭事件宣告日之一般化平均異常報酬率 45表4-2 職棒檢賭事件之累積異常報酬分析 48圖目錄圖1-1 本文研究程圖 5圖4-1 事件期異常報酬及累計異常報酬 45