Question

我之前已经看过这个问题，但是我仍然需要澄清接口中声明的函数在哪里被完全定义？我理解界面列出并解释了另一个合同（contractB）可以使用的功能，但接口只是方便而不是contractB使用这些功能的必要性？在我看来，我将delegateCall与接口混淆。如果我们想从其他合同调用函数，为什么要使用接口而不是delegateCall？如果接口指向的合同地址定义了一个函数，但我没有在界面中勾勒出来，那么我仍然可以在contractB中使用它吗？

例如，下面我知道我可以在众筹中使用转移功能但转移的位置在哪里？让我们说合同A有函数makepovertyhistory（）定义但是我没有在接口令牌中提到它...我还能在众筹合同中使用它吗？

如果我重新定义界面内的传递函数，它是否会覆盖在人群销售合同中实例化的地址中定义的传递函数？我不确定我是否正确地思考这一切，所以我想我会问更详细的问题，以防其他人发现通用答案仍然是一般性的，以构建一个关于正在发生的事情的视觉效果。

也可以帮助区分我们为什么要使用界面而不是直接将合同继承到我当前正在创建的合同中

interface token {
    function transfer(address receiver, uint amount);
}

contract Crowdsale {
    address public beneficiary;
    uint public fundingGoal;
....
....
..

Answer 1

Solidity中的接口与任何OOP中的接口没有什么不同。它们允许您在不知道底层实现的情况下对存根进行编码。如果需要实现该接口的新版本的合同，则不需要更改使用它的合同。

这使您可以解决智能合约中的一个常见问题：可升级合同。通过使用接口，您可以部署新版本的合同，然后使用新地址更新任何现有合同。

简化示例（显然，这不会通过基本的安全检查，但你明白了。）

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNST_data/", one_hot=True)

import tensorflow as tf

x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b

y_ = tf.placeholder(tf.float32, [None, 10])

#improvements
def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

#layer 1
W_conv1 = ([5,5,1,32])
b_conv1 = ([32])

x_image = tf.reshape(x, [-1, 28, 28, 1])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

#layer 2
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

#fully connected layer
W_fc1 = weight_variable([3136, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 3136])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

#dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

#readout, similar to softmax
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

#optimization
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))

#training
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))

#evaluate
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))

#the session
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(20000):
        batch = mnist.train.next_batch(50)
        if i%100==0:
            training_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
            print("step: %i   accuracy: %a" % (i, training_accuracy))
        train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
    print("test accuracy: %s" % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

提供这种类型的分离（以及使用库）使升级合同变得更容易和更便宜。

例如，下面我知道我可以在crowdsale中使用传递函数但是转移在哪里？假设合同A有功能 makepovertyhistory（）已定义，但我没有在界面中提及它令牌......我还能在众筹合同中使用吗？

不，需要在某处导入或定义。

如果我重新定义界面内的传递函数，那么它覆盖在实例化的地址定义的传递函数在人群销售合同中？

这取决于你如何调用传递函数。如果您在已部署合同的地址上执行它，那么您正在使用该已部署合同的实现。

可以在this blog post中找到更深入的示例。

以太坊中的接口和合同

1 个答案: