Enhance : BAPI_MATERIAL_SAVEDATA

最新推荐文章于 2021-05-12 18:13:18 发布
原创 最新推荐文章于 2021-05-12 18:13:18 发布 · 364 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#SAP #BAPI

BAPI_ACC_DOCUMENT_CHECK BAPI_ACC_DOCUMENT_POST字段增强||字段拓展
qq_45063256的博客
08-04 1003
BAPI_ACC_DOCUMENT_CHECK BAPI_ACC_DOCUMENT_POST字段增强||字段拓展
NDK下OpenCV undefined reference to `cv::imencode std::__ndk1::vector 异常
zhjali123的专栏
06-03 4193
报错日志 CMakeFiles/enhance_lib.dir/src/main/cpp/ImageProcess.cpp.o: In function `ImageEnhancementWithDecode': /home/albertsnow/WorkSpace/NubiyaARThai/documentlibrary/src/main/cpp/ImageProcess.cpp:347: un...
Enhance Facebook:trade_mark: Livestream-crx插件
03-08
使用方法：-因为在启动Enhance:trade_mark:Facebook Livestream时，您无法访问其他网站。 -只需单击工具栏上的Enhance:trade_mark:Facebook Livestream ICON即可将其停用。 -每当您想关注直播时，只需再次单击...
SAP ABAP BAPI_ACC_DOCUMENT_POST 创建会计凭证
Fall_in_Lc的博客
04-07 6011
标准功能函数无非输入输出 Standard Function Is Just Input And Output 关于输入 About Input EXPORTING documentheader 总账信息 TABLES accountgl 贷方 accountreceivable 借方 currencyamout 金额数量 extension2 扩展字段 关于输出 About Input TABLES return 返回 关于数据 About Data 首先创建变
使用pytorch神经网络时报错TypeError: __init__() takes 1 positional argument but 3 were given
weixin_43915289的博客
05-12 2445
项目场景： 试图加入一个新的loss函数 问题描述： 在加入新的loss进行计算的时候碰到如标题所示的bug 原因分析： 原因是没有实例化网络，直接调用类来进行forward import torch import torch.nn as nn import torch.nn.functional as F import math from torchvision.models.vgg import vgg16 import numpy as np '''Zero-DCE Spatial C
ZSDR005: Upload Sales Order VA02
热门推荐
03-20 2万+
*&---------------------------------------------------------------------* *& Progarm      :  ZSDR005                        Author : Jimmy Wong *& Created      :  20 Sep 2012                    App
SAP CA01: BAPI Create Routing
03-21 1691
LOOP AT T_DATA.     W_LOOP1 = SY-TABIX.     MOVE-CORRESPONDING T_DATA TO T_TMP.     CLEAR GROUP.     MOVE T_DATA TO GT_DATA.     MOVE-CORRESPONDING T_DATA TO T_DATA_CHK.     APPEND T_DATA_CHK.
SAP: BAPI Delete BOM
03-21 1421
LOOP AT T_MAST.   W_LOOP = SY-TABIX.   CALL FUNCTION 'CSAP_MAT_BOM_DELETE'     EXPORTING       MATERIAL                 = T_MAST-MATNR       PLANT                    = T_MAST-WERKS       BOM_USA
SAP MRP ：BAPI
03-20 1286
MD05： call function 'BAPI_MATERIAL_MRP_LIST'       exporting         material         = it_sub_matnr-matnr         plant            = it_sub_matnr-werks         get_item_details = 'X'         ge
SAP: BAPI Create user / Assign roles
04-25 845
Create new user and change user information in SAP BAPI_USER_CREATE BAPI_USER_CHANGE Assign roles SUSR_BAPI_USER_ACTGROUPS_ASSIG
SAP:MM03 BAPI_MATERIAL_SAVEDATA
03-20 730
**清空内表     CLEAR:   it_rount,              it_bapiret2,              it_head,              it_clinetdata,              it_clinetdatax,              it_salesdata,              it_salesdatax,
SAP:ZMM002A 先做561，然后取消561
04-16 663
8101 AA01 30-00A037-001-R000 0000001579 8101 AA01 30-00A037-001-R000 0000001580 8101 AA01 30-00A037-001-R000 0000001581 8101 QJ99 30-00A037-001-R000 0000001579  *&-------------------------------
BAPI me21n vl10b vl02n
03-11 662
T-code.BAPI me21n vl10b vl02n FUNCTION ZTEST01. *"---------------------------------------------------------------------- *"*"Local interface: *"  IMPORTING *"     VALUE(IT_TABP01) LIKE  ZMM_NCP0
SAP项目中开发用到的BAPI
03-12 606
SAP项目中开发用到的BAPI 转载自：http://blog.sina.com.cn/s/blog_45f2f8670100hjpl.html MM模块 1、 BAPI_MATERIAL_SAVEDATA 创建物料主数据 注意参数EXTENSIONIN的使用，可以创建自定义字段 例如WA_BAPI_TE_MARA-MATERIAL = ITAB_UP-MATNR. T_EXTENSI
SAP: Display MM03 Material Change Log
03-27 543
data: it_cdhdr like cdhdr occurs 0 with header line . data: it_cdshw like cdshw occurs 0 with header line . data: wa_cdhdr like cdhdr. data: wa_nummer like cdpos-changenr. select * into  table
SD:BAPI Create Customer
03-20 476
自开发了一个简单的CRM系统，所有挖据到可能客户都存放在客户池中，有望成交的 客户业务员可以从客户池自动创建成潜在客户.生成简单的客户主数据，以客户ID为主键，从而有效记录与客户的沟通 。 " 节选出创建客户部份代码，方便以后查询备用.   data: op_kunnr like ZCRME00101-kunnr,         is_kna1 type kna1 ,
BAPI:BAPI_PRODORDCONF_CREATE_TT （TCODE：CO11N）
04-16 452
*&---------------------------------------------------------------------* *&      Form  FRM_PROCESS_CO11N *&---------------------------------------------------------------------* *       传输数据，进行完工入库
RFC访问SAP(C#)
07-18 448
using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Text; using System.Windows.Forms; using SAPFunctionsOCX; usin
Global: debug: false use_gpu: true epoch_num: 50 log_smooth_window: 20 print_batch_step: 10 save_model_dir: ./output/rec_ppocr_v4 save_epoch_step: 10 eval_batch_step: - 0 - 2000 cal_metric_during_train: true pretrained_model: D:\AI图片快速朔源\paddleOCR\PaddleOCR-release-2.8\pretrain_modles\en_PP-OCRv4_rec_train\best_accuracy.pdparams ignore_weights: ["Head.fc.weight", "Head.fc.bias"] checkpoints: null save_inference_dir: null use_visualdl: false infer_img: D:\AI图片快速朔源\paddleOCR\PaddleOCR-release-2.8\train_data\rec\train\20250311160809.jpg character_dict_path: ppocr/utils/en_dict.txt max_text_length: 30 infer_mode: false use_space_char: false distributed: false save_res_path: ./output/rec/predicts_ppocrv3.txt Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: name: Cosine learning_rate: 0.0005 warmup_epoch: 5 regularizer: name: L2 factor: 3.0e-05 Architecture: model_type: rec algorithm: SVTR_LCNet Transform: null Backbone: name: PPLCNetV3 scale: 0.95 Head: name: CTCHead num_classes: 39 Neck: name: svtr dims: 480 depth: 2 hidden_dims: 480 kernel_size: - 1 - 3 use_guide: true Head: fc_decay: 1.0e-05 Loss: name: CTCLoss PostProcess: name: CTCLabelDecode Metric: name: RecMetric main_indicator: acc ignore_space: false Train: dataset: name: SimpleDataSet data_dir: D:\AI图片快速朔源\paddleOCR\PaddleOCR-release-2.8 label_file_list: - D:\AI图片快速朔源\paddleOCR\PaddleOCR-release-2.8\train_data\rec\train.txt transforms: - DecodeImage: img_mode: BGR channel_first: false - RecResizeImg: image_shape: [3, 48, 320] padding: true - KeepKeys: keep_keys: - image - label loader: shuffle: true batch_size_per_card: 96 drop_last: true num_workers: 8 Eval: dataset: name: SimpleDataSet data_dir: D:\AI图片快速朔源\paddleOCR\Pad
最新发布
03-25
<think>好的，我现在需要帮助用户配置PaddleOCR的配置文件，使用SVTR_LCNet作为主干网络，CTCHead作为头部，并采用Cosine学习率优化器。首先，我需要确认用户的具体需求，可能他们是在进行文字识别任务，比如场景文本识别。用户提到的引用资料中有关于SVTR、LCNet、CTCHead以及优化器的内容，我需要结合这些信息来构建配置文件。 首先，我应该回顾PaddleOCR的配置文件结构。通常，配置文件包括模型架构（Architecture）、训练参数（Optimizer）、学习率调度（LearningRate）、数据预处理（DataLoader）等部分。用户需要的是SVTR_LCNet作为主干，所以需要确认SVTR和LCNet的结合方式。根据引用[4]，SVTR通常用于文本识别，而LCNet（PP-LCNet）是一种轻量级卷积网络，可能在SVTR中作为特征提取器使用。 接下来是CTCHead的设置。CTC（Connectionist Temporal Classification）常用于序列识别任务，如OCR。用户提到引用[2]中的Enhance CTC，其中center初始化对结果有影响，但用户可能只需要基础的CTCHead配置，这部分需要参考PaddleOCR的文档或现有配置文件。 关于优化器，用户要求使用Cosine学习率，可能需要结合AdamW优化器，因为引用[4]提到了Adam W和Cosine learning rate。同时，学习率调度可能需要warm-up策略，这在训练初期有助于稳定训练。 现在，我需要考虑配置文件的各个部分： 1. 模型架构部分：需要定义Backbone（SVTR_LCNet）、Neck（可能不需要，或者使用适当的连接层）、Head（CTCHead）。这里可能需要查阅PaddleOCR中SVTR的实现方式，是否已经存在SVTR_LCNet的组合，或者是否需要自定义。如果SVTR本身是一个独立的Backbone，可能需要调整参数，比如depth、hidden_dim等。 2. 优化器部分：使用AdamW，并设置weight decay。引用[4]提到Adam W和Cosine learning rate，所以需要配置type为AdamW，并设置相应的参数，如beta1、beta2、weight decay等。 3. 学习率调度：使用Cosine衰减，并可能包含warm-up阶段。需要设置learning_rate的type为Cosine，并指定warmup_epoch或warmup_steps，以及学习率的最大值（max_learning_rate）和最小值（min_learning_rate）。 4. 数据预处理部分：用户可能需要调整输入尺寸、数据增强方法等。例如，引用[3]中提到的输入尺寸是416x416，但SVTR可能需要不同的尺寸，或者根据任务调整。此外，数据路径需要用户指定train_list.txt和val_list.txt，如引用[4]所述。 5. 训练参数：如epoch数量、batch size、模型保存间隔等，这些需要根据具体任务调整。 可能的难点在于确定SVTR_LCNet的具体结构参数，比如是否在SVTR中整合了LCNet作为某些层的替代，或者是否SVTR本身使用了LCNet的结构。如果PaddleOCR中已有现成的配置，可以参考现有示例进行修改。否则，可能需要自定义Backbone，结合SVTR和LCNet的组件。 另外，CTCHead的参数也需要正确设置，如in_channels（应该与Backbone的输出通道数匹配），以及类别数目（包括空白标签）。 最后，确保配置文件中的各个部分正确无误，比如数据路径、预处理步骤、模型参数等，避免因配置错误导致训练失败。同时，根据引用[3]，静态图转换可能需要特定的输入尺寸，因此训练时的输入尺寸应与后续部署需求一致。 总结步骤： 1. 构建模型架构，组合SVTR_LCNet和CTCHead。 2. 配置AdamW优化器和Cosine学习率调度，包含warm-up。 3. 设置数据路径和预处理流程。 4. 调整训练参数如batch size、epoch等。 5. 验证配置文件是否正确，可能需要参考现有示例或文档。</think>以下是基于PaddleOCR的SVTR_LCNet+CTCHead模型配置文件的关键参数说明（以YAML格式为例）： ```yaml # 模型架构配置 Architecture: model_type: rec # 文字识别任务 algorithm: CRNN # 基础算法类型 Transform: null Backbone: name: SVTRLCNet # SVTR与PP-LCNet结合的网络结构 scale: 1.0 # 网络缩放系数 depth: 48 # 网络深度参数 use_guide: True # 使用注意力引导机制 Neck: null Head: name: CTCHead # CTC解码头 fc_decay: 0.00001 # 全连接层权重衰减 in_channels: 96 # 输入通道数需与backbone输出匹配 out_channels: 6625 # 字符类别数+1(空白符) # 优化器配置 (基于引用[4]的AdamW+Cosine) Optimizer: name: AdamW beta1: 0.9 beta2: 0.999 weight_decay: 0.05 # 权重衰减系数 epsilon: 1e-08 no_weight_decay_name: .b_0 # 特定参数免衰减 LearningRate: name: Cosine learning_rate: 0.001 # 初始学习率 warmup_epoch: 5 # 基于引用[4]的warmup配置 max_learning_rate: 0.001 min_learning_rate: 1e-6 # 数据加载配置 (基于引用[4]的路径规范) DataLoader: Train: dataset: name: LMDBDataSet data_dir: ./train_data/ ext_op_transform_idx: 1 loader: batch_size_per_card: 256 shuffle: true Eval: dataset: name: LMDBDataSet data_dir: ./test_data/ loader: batch_size_per_card: 256 ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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