实战LSMW(06)

5、维护源字段

现在我们维护源字段,这些是用数据来更新的。

clip_image002

点击clip_image004继续。

clip_image006

点击clip_image008

clip_image010

定位箭头到clip_image012

clip_image014

点击clip_image016,会出现

clip_image018

现在我们需要来更新这些字段,这些字段就是你在录像时捕捉的那些。

在步骤1的录像中,我们已经下载了带有字段的这个文件。

让我们用EXCEL来打开它。

我们在前面已经把这个文件放在桌面上了,所以只需要双击这个文件即可。

clip_image020

双击后,该文件被打开。

clip_image022

这个文件我们先放在这。

还记不记得,如果你在导出这个文件时,如果没加上后缀名".xls",则存到桌面的文件就是个无后缀名的文件。

clip_image024

如果遇到这种情况,也没关系,简单点的作法就是将文件改名为带".xls"后缀的。

还有种作法,稍麻烦点,但也是可行的。

打开EXCEL,选择文件->打开。

clip_image026

选择桌面(因为我们的文件存在桌面!)。

文件类型选择clip_image028

clip_image030

选择我们那个无后缀名的文件。

clip_image032

点击clip_image034

clip_image036

点击clip_image038

clip_image040

确认钩选Tab键clip_image042

点击clip_image038[1]

clip_image044

点击clip_image046就可以打开这个文件。

在J列中显示的所有字段就是需要作映射的。

现在我们去LSMW界面,从EXCEL中复制和粘贴所有的字段。

我们在EXCEL中复制J列中所有有内容的部分到一个空白文件中。

clip_image048

clip_image050

删除其中的无内容的空行。

clip_image052

复制这些字段到源结构的源字段中。

clip_image054

要想知道字段的长度,使用事务代码FK03找到我们刚才保存的这个供应商或者其它系统中已有的供应商。

我们想要知道字段NAME的长度。

clip_image056

定位箭头到字段clip_image058,按下键盘上的F1功能键或右击选择帮助(HELP)。

clip_image060

点击clip_image062看技术信息。

clip_image064

双击clip_image066

clip_image068

我们会看到这一行。

clip_image070

说明字段NAME1的长度是40,数据类型是字符型。

这样你就可以更新字段名,字段类型是C(字符型)还是N(数字型)以及字段的长度。

按个字段找出相应的信息来更新源结构的源字段。

clip_image072

更新完成所有的字段后,点击clip_image074继续。

clip_image076

系统会自动找出字段相应的描述。

点击clip_image078进行存盘。

点击clip_image080返回。

clip_image082

点击clip_image078[1]进行存盘。出现Data saved提示。

clip_image084

点击clip_image080[1]返回。

### Swin Transformer 论文精读:Hierarchical Vision Transformer Using Shifted Windows Swin Transformer 是一种基于视觉的分层 Transformer 模型,其核心创新在于通过 **Shifted Window-based Self-Attention** 实现了线性计算复杂度,同时能够生成多尺度特征表示。这种方法在图像分类、目标检测和语义分割等任务中取得了显著的性能提升 [^2]。 #### 核心架构概述 Swin Transformer 的整体结构分为多个阶段(Stage),每个阶段包含多个 Swin Transformer Block。这些块使用 **窗口化自注意力机制** 和 **移位窗口策略** 来实现高效计算并捕捉长距离依赖关系。 - **分层特征提取** 类似于传统卷积神经网络(如 ResNet),Swin Transformer 采用分层设计来逐步降低空间分辨率并增加通道维度。这种设计允许模型从局部到全局地构建特征表示。 - **窗口划分与移位窗口机制** 在每个 Swin Transformer Block 中,输入特征图被划分为不重叠的窗口,并在这些窗口内执行自注意力计算。为了增强跨窗口的信息交互,在下一个 Block 中对窗口进行移位操作(Shifted Windows)。这种方式既减少了计算量,又保持了模型对全局信息的感知能力 [^1]。 ```python # 窗口划分伪代码示例 def window_partition(x, window_size): B, H, W, C = x.shape # 将图像划分为多个窗口 x = tf.reshape(x, shape=[B, H // window_size, window_size, W // window_size, window_size, C]) windows = tf.transpose(x, perm=[0, 1, 3, 2, 4, 5]) return tf.reshape(windows, shape=[-1, window_size, window_size, C]) # 移位窗口伪代码 def shifted_window_attention(x, window_size, shift_size): B, H, W, C = x.shape # 对特征图进行滚动操作以实现窗口移位 x = tf.roll(x, shift=(-shift_size, -shift_size), axis=(1, 2)) return window_partition(x, window_size) ``` #### 自注意力机制优化 传统的 Vision TransformerViT)在整个图像上应用自注意力机制,导致计算复杂度为 $O(n^2)$,其中 $n$ 是图像块的数量。而 Swin Transformer 通过将注意力限制在局部窗口内,将复杂度降低到 $O(n)$,使其适用于高分辨率图像处理 [^4]。 此外,移位窗口机制确保了相邻窗口之间的信息流动,从而避免了局部注意力带来的信息隔离问题。这种设计使得 Swin Transformer 能够在保持计算效率的同时实现全局建模能力。 #### 实验结果与性能优势 Swin Transformer 在多个视觉任务中表现出色: - **ImageNet 分类任务**:Swin-Tiny、Swin-Small、Swin-Base 和 Swin-Large 四种变体均在 ImageNet-1K 上实现了优于其他 Transformer 主干网络的 Top-1 准确率。 - **COCO 目标检测**:在 COCO 数据集上,Swin Transformer 在 Faster R-CNN 框架下达到了 SOTA 性能,mAP 超过之前的最佳方法。 - **ADE20K 语义分割**:在 ADE20K 数据集上,Swin Transformer 作为编码器也取得了领先的 mIoU 指标 [^2]。 #### 消融实验分析 论文还进行了详细的消融研究,验证了以下几个关键组件的有效性: - **窗口大小的影响**:较大的窗口有助于捕捉更广泛的上下文,但会增加计算开销。 - **移位窗口的重要性**:实验证明,移位机制可以显著提升模型性能,尤其是在长距离依赖任务中。 - **不同层级的设计**:通过对比不同层级深度和通道配置,论文展示了如何平衡精度与效率 [^3]。 ---
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