bitcoinj代码研究1

简介:
bitcoinj代码研究1

从walltemplate研究起

采用的源码是bitcoinj 0.15
下载地址: https://github.com/bitcoinj/bitcoinj
<parent>
<groupId>org.bitcoinj</groupId>
<artifactId>bitcoinj-parent</artifactId>
<version>0.15-SNAPSHOT</version>
</parent>

先看依赖pom.xml
<dependencies> <dependency> <groupId>org.bitcoinj</groupId> <artifactId>bitcoinj-core</artifactId> <version>${project.parent.version}</version> </dependency> <dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>22.0-android</version> </dependency> <!-- Native Mac skin (there's also AeroFX, MetroFX, etc) <dependency> <groupId>com.aquafx-project</groupId> <artifactId>aquafx</artifactId> <version>0.1</version> </dependency> --> <dependency> <groupId>org.fxmisc.easybind</groupId> <artifactId>easybind</artifactId> <version>1.0.2</version> </dependency> <dependency> <groupId>de.jensd</groupId> <artifactId>fontawesomefx</artifactId> <version>8.0.0</version> </dependency> <dependency> <groupId>net.glxn</groupId> <artifactId>qrgen</artifactId> <version>1.3</version> </dependency> </dependencies>
打包编译parent里的pom 文件。
mvn clean package -DskipTests=true
好了。能跑起来了。
bebaa06aef2a65bd0e6e667afa53f68d141e976d

bb1bb6c6839a6d8dfc7bf637897ff2e2892fd2ff
下一章来分析一哈walltemplate干了些啥。
目录
相关文章
|
4月前
|
人工智能 计算机视觉
AI计算机视觉笔记十五:编写检测的yolov5测试代码
该文为原创文章,如需转载,请注明出处。本文作者在成功运行 `detect.py` 后,因代码难以理解而编写了一个简易测试程序,用于加载YOLOv5模型并检测图像中的对象,特别是“人”类目标。代码实现了从摄像头或图片读取帧、进行颜色转换,并利用YOLOv5进行推理,最后将检测框和置信度绘制在输出图像上,并保存为 `result.jpg`。如果缺少某些模块,可使用 `pip install` 安装。如涉及版权问题或需获取完整代码,请联系作者。
|
5月前
|
Python
从代码中寻找生活的启示
【8月更文挑战第31天】本文通过探索编程的哲学与生活智慧之间的联系,揭示如何从代码的逻辑和结构中汲取对日常生活的深刻理解。以一个简单的Python代码示例为起点,逐步深入探讨编程思维如何帮助我们更好地组织生活、解决问题,并最终实现个人成长。文章旨在启发读者将技术感悟应用于更广泛的人生场景,从而发现编程之外的更多可能性。
|
7月前
|
机器学习/深度学习 人工智能 算法
|
8月前
|
监控
项目集研究的问题
研究项目集管理时,关注点包括:战略一致性,确保项目目标与组织战略对齐;治理结构,建立协调利益相关者的机制;集成管理,跨项目整合资源,处理内部依赖;收益管理,量化投资回报并监控收益;风险管理,识别并降低重大风险;资源优化,有效分配有限资源;沟通与协作,保障信息传递和团队协作;以及绩效衡量与报告,设置KPIs并提供透明的进展报告。
41 1
|
8月前
|
人工智能 Python
论文推荐:大型语言模型能自我解释吗?
这篇论文的研究主要贡献是对LLM生成解释的优缺点进行了调查。详细介绍了两种方法,一种是做出预测,然后解释它,另一种是产生解释,然后用它来做出预测。
85 2
|
数据采集 人工智能 监控
【网安AIGC专题11.1】论文13:理解和解释代码,GPT-3大型语言模型&学生创建的代码解释比较+错误代码的解释(是否可以发现并改正)
【网安AIGC专题11.1】论文13:理解和解释代码,GPT-3大型语言模型&学生创建的代码解释比较+错误代码的解释(是否可以发现并改正)
157 0
|
数据可视化 计算机视觉
【计算机视觉】DINOv2的四种模型代码示范(含源代码)
DINOv2利用最大模型ViT-g的知识蒸馏,而不是从头开始训练,从而提高了性能。这个过程包括将知识从更大、更复杂的模型(教师)转移到更小的模型(学生)。学生模型被训练来模仿教师的输出,从而继承其优越的能力。这个过程提高了小型模型的性能,使它们更有效率。
2267 0
|
人工智能 计算机视觉
AI论文激增,出现引用10万+的ResNet是好是坏?这研究有结论了
AI论文激增,出现引用10万+的ResNet是好是坏?这研究有结论了
111 0
AI论文激增,出现引用10万+的ResNet是好是坏?这研究有结论了
|
机器学习/深度学习 数据采集 人工智能
告别 AI 模型黑盒:可解释机器学习研究报告
随着金融数据规模的日益增长与 AI 技术的发展,机器学习模型在金融银行业被广泛使用。高性能的机器学习模型虽然在预测能力上表现突出,但是因为模型过于复杂的结构而引发的黑盒问题,却不利于机器学习模型的大规模使用。无法解释的黑盒模型在使用过程中暴露出来的安全风险和不公正问题,使人们对黑盒模型的使用变得越来越谨慎。为了应对黑盒模型的不可解释的问题,科学家们提出了可解释机器学习的研究。可解释机器学习分为内在可解释模型的研究和模型的事后解析方法两大方向。
3861 1
告别 AI 模型黑盒:可解释机器学习研究报告
|
SQL 存储 Go
AutoAudit研究学习
AutoAudit介绍   AutoAudit这个是Paul Nielsen写的一个开源的审计跟踪的脚本项目,项目位于https://autoaudit.codeplex.com/上,Paul Nielsen的一篇博客CodeGen to Create Fixed Audit Trail Triggers上也介绍了他创建这个项目的前因后果。
1323 0

热门文章

最新文章