墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
981平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
批量识别PDF电子发票信息，在财务、税务以及审计等领域中具有重要的应用价值。一方面，该技术能够有效解决传统手工录入效率低等问题，另一方面，还可为进一步分析提供高质量的结构化数据。
首先，我们在“TB工具箱”功能区下，点击“发票识别”；接着，在弹出的文件夹选择对话框，选择PDF所在的路径；最后，点击确定，就完成了。
可以看到，每张发票的发票号码、开票日期、类目、金额、税额以及对应的文件名均以结构化形式输出到Excel表格中。
注：目前，此功能仅限于PDF格式的发票（不支持PDF扫描件）；同时，部分电子发票格式，或不能完全正确识别。
国产PLC实战：用汇川Easy320搞定TCP通信，手把手教你网口转串口控制设备
本文详细解析了如何使用汇川Easy320 PLC实现TCP通信与串口控制，解决工业自动化中设备间通信协议差异问题。通过实战案例和代码示例，展示了Easy320在协议转换、数据解析和串口转发中的高效应用，帮助工程师快速掌握网口转串口控制技术。
电子发票批量提取导出合并助手
发票助手支持PDF/图片格式批量处理，自动提取关键信息，一键生成Excel报表和PDF合并文件。
UE4/5编译报错MSB3073终极解决指南：从路径检查到MSVC版本降级
本文针对UE4/5开发中常见的MSB3073编译报错，提供了一套从根源到实战的终极解决指南。文章系统性地讲解了错误成因，并分层次指导排查路径字符、环境变量、MSVC版本兼容性、权限冲突等核心问题，重点介绍了通过降级MSVC编译器版本等关键操作来彻底解决此编译难题。
办公利器！用Python批量识别发票并录入到Excel表格
对于财务专业等学生或者公司财务人员来说，将报账发票等汇总到excel简直就是一个折磨。尤其是到年底的时候，公司的财务人员面对一大堆的发票简直就是苦不堪言。正好我们学会了Python，我们应该将Python的优势发挥起来。
mt7601 kernel 4.19内核集成版本，以及源码编译相关问题
/os/linux/Makefile.6文件: 添加 EXTRA_CFLAGS += -Wno-incompatible-pointer-types -Wno-date-time。看下iwpriv与iwconfig的源码区别，左侧为iwconfig ，没有用到ioctl，右侧为iwpriv。1、init_timer kernel 4.19内核版本API已经改变，使用timer_setup。使用iwpriv 提示如下，iwpriv工具无法使用了，而iwconfig可以使用。makefile的修改。
现控报告-- 分析倒立摆系统稳定性、能控性及能观性分析，设计PID控制方案（附matlab）
建立直线一级倒立摆系统的动力学模型,推导该系统的运动方程,求出直线一级倒立摆系统传递函数模型及空间状态方程模型。接着描述了PID控制系统设计原理及PID控制器各校正环节的作用,简要叙述了参数的整定方法。设计了直线一级倒立摆摆杆摆角及小车位置常规单回路控制器,通过Simulink仿真知道常规单回路控制器能控制摆杆摆角,不能控制小车位置。于是设计出了直线一级倒立摆双闭环控制器及基于倒立摆系统的状态空间方程控制器,利用软件进行仿真,仿真结果表明，常规双闭环控制方案和基于状态空间方程加控制方案均能对摆杆摆角及小车位
批量识别PDF/OFD/PNG/JPG电子发票到EXCEL
最近有做财务的朋友提到，能否帮助他们整个工具，将每个月几百张的发票自动整理到EXCEL（既有PDF电子版、也有OFD的，甚至纸质的都还有，过程实在艰巨）。下来找了一圈有免费的、也有商用的，结果要么功能单一、要么缺少关键字段。对比实际效果以及后续的扩展性，决定还是先做个商用版的脚本试试，满足需求比什么都重要，关键也是用Python来做，维护相对容易。 首先 准备好开发环境，商用的就比较简单了，直接下载安装就行（略）； 下载地址：https://dgo.ink/crm/dl/?shareId=359...
SpringBoot3.X及SpringAi和jdk17以上版本集成MCP协议供大模型调用sse协议
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 推出的开源协议，旨在实现大型语言模型（LLM）与外部数据源和工具的无缝集成，用来在大模型和数据源之间建立安全双向的链接。目标是成为 AI 领域的“HTTP 协议”，推动 LLM 应用的标准化和去中心化。本文主要讲解SpringBoot3.X版本和jdk17版本如何集成MCP协议 后续还有一个SpringBoot2.7和jdk1.8通过solon来实现@Service。
PDF电子发票数据提取至Excel
3、根据路径筛选统计报销人电子发票金额（前提：依据报销人将发票分别存入文件夹）链接：https://pan.quark.cn/s/0967da93cbea。1、避免电子发票重复报销入账（筛选发票号码或者校验码重复值）2、检查收到的发票纳税人名称和纳税人识别号是否正确。不是所有pdf发票都能100%正确识别，请自行甄别。分享了「PDF电子发票信息提取4.2.exe」PDF电子发票数据提取至Excel。
回归预测 | MATLAB实现MPR多元多项式回归
回归预测 | MATLAB实现MPR多元多项式回归
《拉依达的嵌入式\驱动面试宝典》—计算机硬件篇(一)
《拉依达的嵌入式\驱动面试宝典》 整合了所有我认为可能遇到的技术面试问题。所有问题及其答案均是我个人学习后查阅资料总结，每个回答都做了仔细的分析，在嵌入式及其驱动面试相关问题解析做到全网独一无二。学习或者转行到嵌入式、驱动开发领域学习的不二之选
Invoice2Excel：高效提取PDF电子发票内容，轻松导入Excel
Invoice2Excel：高效提取PDF电子发票内容，轻松导入Excel 去发现同类优质开源项目:https://gitcode.com/ 在数字化时代的浪潮中，电子发票成为了企业日常管理的重要部分。然而，如何高效地从PDF电子发票中提取信息并整理到Excel中，一直是困扰许多人的难题。本文将为您介绍一个开源项目——Invoice2Excel，它能够帮助您轻松完成这一任务。 项目介绍 Invoi...
如何在 R 中使用 Gamma 分布（附示例）
在统计学中，伽马分布通常用于模拟与等待时间相关的概率。我们可以使用以下函数来处理 R 中的 gamma 分布：dgamma(x, shape, rate) – 找到具有特定形状和速率参数的 gamma 分布的密度函数值。 pgamma(q, shape, rate) – 找到具有特定形状和速率参数的伽马分布的累积密度函数值。 qgamma(p, shape, rate) – 找到具有特定形状和速率参数的 gamma 分布的逆累积密度函数值。 rgamma(n, shape, rate) – 生成 n 个随机
审计人沸腾！一键生成Excel附注，正式开放公测
千呼万唤始出来，一键生成Excel附注正式开放进入公测阶段，所有人均可下载使用体验。有了这个功能，后续对于财务报表审计，只要科目余额表就能够快速完成绝大部分的Excel附注，极大提高审计工作效率。将来，也会尽可能兼容各个事务所的附注格式。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
审计高效查账！快速查看完整凭证、一键生成科目明细
利用“TB工具箱2025”，可以轻松实现在Excel高效查账——支持在科目余额表只显示一级科目、并联动筛选出序时账对应的明细；不仅能自动生成对方科目、还可一键生成全科目的月度明细表等功能。为了进一步优化在Excel中的查账体验，这次重点改进了“查看凭证”与“生成科目明细”的功能。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
审计圈炸锅了！一键生成底稿三表，行业效率正在重塑…
在过去，如果企业无法从财务系统导出账套，或者审计软件难以将其导入，此刻我们只能依赖科目余额表+序时账，手工编制各个科目的实质性底稿。现在，有了“TB工具箱”，审计人员彻底从“导入账套”的环节解放出来。只要让企业导出科目余额表和序时账，就可以轻松实现Excel看账、生成报表等功能。更让人振奋的是，最近新增“一键生成底稿”功能，可快速生成全科目底稿的导引表、明细表、凭证表…
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
重构审计体验！批量生成报表项目底稿的凭证检查表
在审计工作中，我们通过序时账或其他审计软件筛选导出的凭证列表，要如何快速分发给各个报表项目底稿的凭证检查表呢？“TB工具箱2025”正式上线“批量生成凭证表”的功能，通过一些巧妙的设计，使其具备高度的通用性，可适配于绝大多数的实质性底稿模板。
审计圈欢跃！按核算维度批量生成底稿
为了将底稿的明细表更细致化，“TB工具箱2025”新增了对“按核算维度批量生成底稿”的支持。批量生成底稿的全流程：数据清洗—>参数配置—>科目映射—>生成报表—>一键底稿，整个流程非常清晰且丝滑。
聚焦审计风险！批量生成多个科目的截止测试表
通过执行严格的截止性测试，可以有效应对被审计单位在财务报表日前后采用不当截止操作以粉饰报表的固有风险，从而确保收入、成本、费用及负债在恰当的会计期间内得以确认。为进一步提升审计效率，“TB工具箱2025”提供了批量生成多个科目截止测试表的功能。
审计好帮手！高效完成替代测试，同步生成结果汇总表
“替代测试做到爽！”——这是来自一个用户的真实心声。对于有做替代程序的往来科目，有多少个测试账户就自动在对应的底稿中开多少个工作表，并填入期初/期末余额、借方/贷方发生额、以及全部的借贷方发生额明细。不过，昨天也收到另一个用户的建议，能否在往来科目底稿增加“替代结果汇总表”？这是他们审计底稿必须有的。这实现起来不是很复杂，所以——立刻安排！
底稿审计说明编号连续性难题一键智能解决
编制实质性工作底稿时，我们通常需要根据审计程序的实施情况，在导引表新增、删除或隐藏部分审计说明。这往往会导致底稿中的审计说明编号出现不连续等问题。为此，TB工具箱上线了“审计说明连续编号”的功能，可快速为选中的单元格内容添加或更新连续编号。
告别审计奔溃！一键汇总底稿的凭证检查表
截至目前，通过“一键底稿”生成各个科目的实质性底稿，可以自动完成以下工作表的内容：导引表、程序表、明细表、损益类月度明细表、替代测试表、截止测试表、凭证检查表等。为了方便查看所有底稿的抽凭记录，“TB工具箱2025”新增了“一键汇总底稿的凭证检查表”功能。
释放审计效率！一键精准划分期末账龄区间
对于被审计单位，如果其往来明细很多，手工进行账龄分析工作是相当费力且耗时。为解决这一痛点，TB工具箱2025的“一键账龄分析”功能应运而生，帮助我们快速精准划分期末账龄区间。
审计圈沸腾了！批量生成替代测试表，效率拉满
“TB工具箱2025”的“一键底稿”功能，在审计业内引发了广泛关注，并获得了同行们的普遍认可——通过科目余额表+序时账，轻松实现批量生成各科目底稿的导引表、明细表、月度明细表、以及凭证检查表等。近期，在此基础上新增“批量生成替代测试表”，涉及应收账款、预付账款、其他应收款、应付账款、预收账款、合同负债、其他应付款七大往来科目。
数据重构！按一级科目拆分序时账，批量生成明细账
科目明细账既可以通过科目余额表的科目编码联动筛选出来、或者指定某个科目编码生成。为了满足更广大的财务/审计从业人员，“TB工具箱2025”新增“导出全科目明细账”的功能，实现快速按一级科目拆分序时账并批量生成为多文件。
审计效率革新！利用TB工具箱轻松实现科目余额表自动分级标色
其中，Excel自动化看账是核心模块之一，涵盖了十余项实用性功能，例如显示一级/全级次科目、生成对方科目明细、一键生成全科目的月度明细表、高级筛选等。同时只有在「参数配置」完成字段列号、一级科目编号长度等信息的配置，才可以更丝滑地体验自动化看账的全部功能。若要使用分级标色功能，需配置<科目余额表>的一级/二级科目编码长度、以及科目编码所在列号。完成参数配置后，我们在“TB工具箱”功能区下，展开「一级科目」下拉菜单，点击“标记颜色”，即可一键实现；同时，也提供“取消标色”的选项。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
500
扫一扫
