数据仓库-核心系统

本文探讨了数据仓库在银行核心系统中的角色,涵盖了客户存款、贷款、结算等业务,以及银行自身对网点、柜员、现金管理等方面。虽然有时总账系统会独立建设,但在核心系统中,存款业务、贷款业务、中间业务、结算业务、资金业务和卡业务仍是关键组成部分。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

     
      银行核心系统(Core Banking System)即银行核心业务系统。目前,大多数核心系统都是以客户为中心,进行账务处理和柜员签退等24个小时服务。
     
      凡有资金往来都会在核心系统记账,例如存款、贷款、网上银行充值话费等。

      首先,我们以服务对象划分:客户和银行自己。客户可以存款、贷款、结算、代理、购买理财等,银行自己可以管理网点和柜员、现金、凭证、分户账、总账、内部账、报

表等。但是有些核心系统将总账模块从核心系统分离出来,独自建设总账系统,本种情况暂不此讨论。

      每天下班前柜员会计账务核对,包括检查凭证要素是否齐全、总账分户账是否平衡、会计账与实务账是否一致等日常必要检查。

      我们在做核心系统调研的时候,以业务划分讨论问题。核心系统包括的主要业务有存款业务、贷款业务、中间业务、结算业务、资金业务、卡业务等。

      存款业务包括零售存款业务和对公存款业务等。零售存款业务指针对个人办理的存款业务,例如:活期存款和定期存款(通知存款、整存整取、零存零取、教育存款等),对公存款业务针对公司客户的存款业务(一般常用于日常结算或投资、贷款保证金、闲置资金约定存款)。
     贷款业务包括零售贷款业务和对公贷款业务等。零售贷款业务指针对个人的贷款业务,例如个人消费贷款、个人经营贷款、教育贷款、住房贷款等,对公贷款业务指针对公司客户的贷款业务,例如:生产经营贷款、供应链贷款、贸易融资、承兑汇票等。核心系统针对贷款业务一般主要功能记账、放款、各业务台账、利息计算,针对客户贷款调查、授信、审批一般在信贷系统。
      中间业务包括代收业务、代付业务、结售汇业务、保管箱。代收业务有代收水费、电费、天然气费等,代付业务有代发工资、代发养老金、代发公积金、代发医疗等,结售汇业务指
### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务,一种有效的方式是将图像分割成固定大小的小块(patches),这些小块被线性映射为向量,并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中,原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象,则可以按照设定好的宽度和高度参数来划分该图像。例如,对于分辨率为\(224\times 224\)像素的图像,如果选择每边切成16个部分的话,那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后,每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT),通常包括以下几个组成部分: - **Patch Embedding Layer**: 将每个图像块转化为低维向量; - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列; - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块; 最后,在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值