wise

/* ***** Object: StoredProcedure [dbo].[pro_bobang_ICItemQiTao] Script Date: 07/29/2015 16:12:10 ***** */ SET ANSI_NULLS ON GO SET QUOTED_IDENTIFIER ON GO alter PROC [ dbo ] . [ pro_bobang_ICItemQiTao ] @FBomNumber1 varchar ( 50 ), -- bom单号 @FBomNumber2 varchar ( 50 ) -- bom单号 as begin set nocount on -- 1.--业务员查找某个BOM单,包含所有BOM(已使用,未使用,已审核,未审核) with cte as ( select convert ( varchar ( 100 ), '' ) as cen,Finterid, convert ( varchar ( 50 ), '' ) as fpbomnumber,Fbomnumber AS FCbomnumber,fitemid,fitemid as fpitemid, 0 as fpinterid, convert ( decimal ( 18 , 4 ), 1 ) as FBomQty, convert ( varchar (

1 在后台数据库ICClassType表中，字段FID < 0的是老单，FID > 0的是新单。 --事务类型 select * from ICClassType where FTableName ='t_RP_NewReceiveBill' /*例如 收款单的事务类型为 */ 1000005 收款单 1000014 预收单 1000015 应收退款单 select * from t_TableDescription where FTableName ='t_RP_NewReceiveBill' select * from t_FieldDescription where FTableID in( 40020) and FFieldName like 'FClassTypeID' 2 -- --------------系统设置------------------------ 3 FStatus: 0 -- 未审核；1--已审核；2--部分行关闭；3--已关闭； 4 =============================================== 5 步骤一：先从t_tabledescription表中查业务单据的FTableID 6 步骤二：再根据FTableID，从t_fielddescription表中查业务单据的字段名、字段中文描述 7

1.VB插件工程的命名、命名空间和生成的DLL命名要一致，否则导致注册不成功！ 2.主控台的查询分析工具，添加sql直接报表，代码用到临时表，提示“在对应所需名称或序数的集合中未找到项目” 解决：在代码开头加上： set nocount on 3.如何用MRP计算一个无销售订单的BOM表产生的采购需求？ 问题补充：通过BOM表，利用BOM表的采购件来推出采购需求，生成采购申请单，推出采购订单进行采购，然后做外购入库 解决：做一张该BOM表的产品预测单--MRP运算--采购需求--采购申请--采购订单---外购入库， 做完流程后，关闭采购申请--关闭采购需求--关闭产品预测单。用产品预测单来提取采购件的采购需求。 4.存货核算--凭证生成，生成外购入库凭证时，提示取凭证模板失败 “当前默认凭证模板设置不正确,凭证字不存在!” 解决：模板设置里，分【实际成本法部分】和【计划成本法部分】，里面都有外购入库部分，都要设置模板 5.启用批号管理后，使用一段时间，又要取消批号，应该怎么做？ 把 库存清空 取消批次 （用其他出库 全部出了） 然后 后台修改 取消批次 ======================== select fbatchmanager,fnumber from t_icitem where fnumber = 'OP.19.0002-000'--批次管理 update t

点击上方「蓝字」关注我们 文章目录 第3章 分组 一、SAC过程 1. 内涵 2. apply过程 二、groupby函数 1. 分组函数的基本内容： 2. groupby对象的特点 三、聚合、过滤和变换 1. 聚合（Aggregation） 2. 过滤（Filteration） 3. 变换（Transformation） 四、apply函数 1. apply函数的灵活性 2. 用apply同时统计多个指标 第3章 分组 import numpy as np import pandas as pd df = pd . read_csv ( 'data/table.csv' , index_col = 'ID' ) df 一、SAC过程 1. 内涵 1.SAC指的是分组操作中的split-apply-combine过程 2.其中split指基于某一些规则，将数据拆成若干组，apply是指对每一组独立地使用函 数，combine指将每一组的结果组合成某一类数据结构 2. apply过程 在该过程中，我们实际往往会遇到四类问题： 1.整合（Aggregation）——即分组计算统计量（如求均值、求每组元素个数） 2.变换（Transformation）——即分组对每个单元的数据进行操作（如元素标准化） 3.过滤（Filtration）——即按照某些规则筛选出一些组

参考： https://zhuanlan.zhihu.com/p/51623339 https://arxiv.org/abs/1706.06978 注意力机制顾名思义，就是模型在预测的时候，对用户不同行为的注意力是不一样的，“相关”的行为历史看重一些，“不相关”的历史甚至可以忽略。那么这样的思想反应到模型中也是直观的。 如果按照之前的做法，我们会一碗水端平的考虑所有行为记录的影响，对应到模型中就是我们会用一个average pooling层把用户交互过的所有商品的embedding vector平均一下形成这个用户的user vector，机灵一点的工程师最多加一个time decay，让最近的行为产生的影响大一些，那就是在做average pooling的时候按时间调整一下权重。 上式中， 是用户的embedding向量， 是候选广告商品的embedding向量， 是用户u的第i次行为的embedding向量，因为这里用户的行为就是浏览商品或店铺，所以行为的embedding的向量就是那次浏览的商品或店铺的embedding向量。 因为加入了注意力机制， 从过去 的加和变成了 的加权和， 的权重 就由 与 的关系决定，也就是上式中的 ，不负责任的说，这个 的加入就是本文70%的价值所在。 那么 这个函数到底采用什么比较好呢？看完下面的架构图自然就清楚了。 => 如何生成注意力

关注本人的同学可能发现，我最近点评的文章都是关于"GNN在推荐系统应用"方向的。这当然与现如今这个方向非常火有关，但是作为一个合格的炼丹师+调参侠，总要搞清楚一门技术为什么火？这么火的技术对于自己是否有用？根据我的理解，由“传统机器学习→深度学习→图计算或知识图谱”这一路下来的发展脉络如下： 一切技术的目标都是为了更好地“伺候”好“ 推荐系统的一等公民 — ID类特征 ”。用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签，都是这样的ID类特征 传统的机器学习只会“ 严格匹配 ”。用户喜欢喝可口可乐，算法不会给他推百事可乐，因为“可口可乐”与“百事可乐”是两个不同的概念，占据了两个不同的ID。这时的推荐算法只有“ 记忆 ”功能。 深度学习的特点是， 一切皆可embedding 。通过将“可口可乐”与“百事可乐”都扩展成embedding向量，发现这两个“概念”不是正交的，反而在向量空间里非常相近，从而推荐系统有机会给一个只喝过可口可乐的用户推荐百事可乐。这时的推荐算法不再只能记忆，而是有了举一反三的“ 扩展 ”功能。 而到了“图计算”或“知识图谱”的阶段，ID类特征换了个名字，变成图上的节点或者知识图谱中的entity。换名字是小事，关键是 这些ID不再是孤立的，而是彼此关联，从而带来了信息的传递 。之前，小明喝过“可口可乐”，只有“可口可乐

Diffusion-Convolutional Neural Networks （传播-卷积神经网络） 2018-04-09 21:59:02 1. Abstract : 　　我们提出传播-卷积神经网络（DCNNs），一种处理 graph-structured data 的新模型。随着 DCNNs 的介绍，我们展示如何从 graph structured data 中学习基于传播的表示（diffusion-based representations），然后作为节点分类的有效基础。DCNNs 拥有多个有趣的性质，包括： 　　1). a latent representation for graphical data that is invariant under isomorphism; 　　2). polynomial-time prediction; 　　3). learning that can be represented as tensor operations; 　　4). efficiently implemented on a GPU. 2. Introduction : 　　处理结构化的数据是非常有挑战的。一方面，找到合适的方法来展示和探索数据的结构可以获得预测精度的提升；另一方面，找到这样的结构可能很困难，在模型中添加结构会使得预测复杂度显著的提升。 　

PostgreSQL的并行化包含三个重要组件：进程本身(leader进程)、gather、workers。没有开启并行化的时候，进程自身处理所有的数据；一旦计划器决定某个查询或查询中部分可以使用并行的时候，就会在查询的并行化部分添加一个gather节点，将gather节点作为子查询树的根节点。 查询执行是从leader进程开始。一旦开启了并行或查询中部分支持并行，就会分配一个gather节点和多个worker线程。relation的blocks在各个workers线程之间划分。workers的数量受postgresql的配置参数控制。workers之间使用共享内存相互协调和通信，一旦worker完成了自己的工作，结果就被传给了leader进程。 workers和leader进程之间使用消息队列(依赖共享内存)进行通信。每个进程有两个队列：一个是error队列；一个是tuples队列。 并行顺序扫描(Parallel sequential scan) 在PostgreSQL 9.6中，增加了对并行顺序扫描的支持。顺序扫描是在表上进行的扫描，在该表中一个接一个的块顺序地被评估。就其本质而言，顺序扫描允许并行化。这样，整个表将在多个workers线程之间顺序扫描。 并行顺序扫描快并不是因为可以并行地读，而是将数据分散到了多个cpu。 abce=# explain analyze

CSDN海量资源免费下载！ 编辑：金磊、小芹、 张佳 来源：新智元 应届博士年薪最高201万！ 前日，一则华为内部邮件火爆了全网： 华为将对八位2019届顶尖学生实行年薪制管理 。并公示了令人羡慕的薪酬待遇。 通知内容如下： 华为公司要打赢未来的技术与商业战争，技术创新与商业创新双轮驱动是核心动力，创新就必须要有世界顶尖的人才，有顶尖人才充分发挥才智的组织土壤，我们首先要用顶级的挑战和顶级的薪酬去吸引顶尖人才，今年我们先将从全世界招进20-30名天才“少年”，今后逐年增加，以调整我们队伍的作战能力结构。 经公司决定，对八位2019届顶尖学生实行年薪制，年薪制方案如下： 1、钟钊： 博士。 年薪制方案： 182-201万人民币/年 2、 秦通： 博士。 年薪制方案：182-201万人民币/年 3、李屹：博士。 年薪制方案：140.5-156.5万人民币/年 4、管高扬： 博士。 年薪制方案： 140.5-156.5万人民币/年 5、贾许亚： 博士。 年薪制方案： 89.6-100.8万人民币/年 6、王承珂： 博士。 年薪制方案： 89.6-100.8万人民币/年 7、林晗： 博士。 年薪制方案： 89.6-100.8万人民币/年 8、何睿： 博士。 年薪制方案： 89.6-100.8万人民币/年 这 8 名员工全部为 2019 届应届学生，均为博士学历，最高两名员工的年薪为 182

深度卷积网络除了准确度，计算复杂度也是考虑的重要指标。本文列出了近年主流的轻量级网络，简单地阐述了它们的思想。由于本人水平有限，对这部分的理解还不够深入，还需要继续学习和完善。 最后我参考部分列出来的文章都写的非常棒，建议继续阅读。 复杂度分析 理论计算量 （FLOPs）：浮点运算次数（FLoating-point Operation） 参数数量 (params)：单位通常为M，用float32表示。 对比 std conv （主要贡献计算量） params： 𝑘 ℎ × 𝑘 𝑤 × 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 kh×kw×cin×cout FLOPs： 𝑘 ℎ × 𝑘 𝑤 × 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 × 𝐻 × 𝑊 kh×kw×cin×cout×H×W fc （主要贡献参数量） params： 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 cin×cout FLOPs： 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 cin×cout group conv params： ( 𝑘 ℎ × 𝑘 𝑤 × 𝑐 𝑖 𝑛 / 𝑔 × 𝑐 𝑜 𝑢 𝑡 / 𝑔 ) × 𝑔 = 𝑘 ℎ × 𝑘 𝑤 × 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 / 𝑔 (kh×kw×cin/g×cout/g)×g=kh×kw×cin×cout/g FLOPs： 𝑘 ℎ × 𝑘 𝑤 × 𝑐 𝑖 𝑛 × 𝑐 𝑜 𝑢 𝑡 × 𝐻 × 𝑊 / 𝑔