初级会计资料-常用会计分录(一)

一、资产类业务
(一)库存现金

  1. 现金盘盈
    ①批准前:
    借:库存现金【盘盈的现金金额】贷:待处理财产损溢
    ②批准后:
    借:待处理财产损溢
    贷:其他应付款【应支付给有关人员或单位的金额】营业外收入【无法查明原因造成的溢余金额】
  2. 现金盘亏
    ①批准前:
    借:待处理财产损溢
    贷:库存现金【盘亏的现金金额】
    ②批准后:
    借:其他应收款【责任人赔偿或保险公司赔偿的金额】
    管理费用【无法查明原因造成的短缺金额】
    贷:待处理财产损溢
    (二)交易性金融资产业务1.交易性金融资产的取得
    借:交易性金融资产——成本【取得时的公允价值】
    应收股利/应收利息【购买价款中包含的已宣告但尚未发放的现金股利或已到付息期但尚未领取的利息】
    投资收益【发生的交易费用】
    应交税费——应交增值税(进项税额)【可抵扣的进项税额】贷:其他货币资金等
  3. 投资后收到购买时包含的已宣告但尚未发放的现金股利或利息借:其他货币资金等
    贷:应收股利/应收利息
  4. 交易性金融资产持有期间取得的现金股利或利息
    借:应收股利【被投资单位宣告发放的现金股利×投资持股比例】应收利息【资产负债表日计算的应收利息】
    贷:投资收益
  5. 交易性金融资产的期末计量
    借:交易性金融资产——公允价值变动
    贷:公允价值变动损益【公允价值上升】
    【说明】如果公允价值下降,则作相反的会计分录。
  6. 出售交易性金融资产
    借:其他货币资金等【实际收到的金额】
    贷:交易性金融资产——成本【取得时的公允价值】
    ——公允价值变动【累计公允价值变动,也可能在借方】投资收益【差额,也可能在借方】
  7. 转让金融商品应交增值税
    转让金融资产当月月末,产生转让收益时: 借:投资收益
    贷:应交税费——转让金融商品应交增值税产生转让损失时,编制相反分录。
    (三)存货业务1.原材料
    (1) 实际成本法,购入材料:
    ①款已付,料已入库:
    借:原材料【购买价款+相关税费+运输费+装卸费+保险费】
    更多初级会计学习资料点此:传送门

应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】贷:银行存款等
②款已付,发票账单已到、材料未到: 借:在途物资【账单到料未到】
应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】贷:银行存款等
③料已到、发票账单未到: 借:原材料【暂估价值】
贷:应付账款——暂估应付账款下月初,用红字予以冲回:
借:原材料(红字)
贷:应付账款——暂估应付账款(红字)
④货款预付,材料尚未验收入库借:预付账款
贷:银行存款
材料入库并收到发票账单: 借:原材料
应交税费——应交增值税(进项税额) 贷:预付账款
补付剩余货款: 借:预付账款
贷:银行存款
(2) 实际成本法,发出原材料: 借:生产成本【生产车间领用】
制造费用【车间管理部门领用】管理费用【行政管理部门领用】销售费用【销售部门领用】
贷:原材料
(3) 计划成本法,购入时: 借:材料采购【实际成本】
应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】贷:银行存款/其他货币资金/应付账款/应付票据
(4) 计划成本法,入库时: 借:原材料【计划成本】
贷:材料采购【实际成本】

材料成本差异【差异,或在借方反映】
【说明】购入时,超支差记入“材料成本差异”科目的借方(正数),节约差记入“材料成本差异”科目的贷方(负数)。
(5) 计划成本法,发出原材料: 借:生产成本【生产车间领用】
制造费用【车间管理部门领用】管理费用【行政管理部门领用】销售费用【销售部门领用】
贷:原材料
材料成本差异【结转超支差异,如果是结转节约差异,则在借方反映】
2.存货清查
(1) 存货盘盈
①批准处理前:
借:原材料/库存商品等【盘盈金额】贷:待处理财产损溢
②批准处理后:
借:待处理财产损溢
贷:管理费用【无需区分原因,盘盈金额均计入管理费用】
(2) 存货盘亏
①批准处理前:
借:待处理财产损溢
贷:原材料【盘亏材料成本】
应交税费——应交增值税(进项税额转出)【盘亏部分需要转出的进项税额】
②批准处理后:
借:其他应收款【保险公司和过失人的赔偿】管理费用【丢失被盗等一般经营损失】
营业外支出——非常损失【意外灾害等非常损失】贷:待处理财产损溢
(四)固定资产业务

  1. 固定资产的初始计量
    (1)外购不需要安装的固定资产
    借:固定资产【买价+运输费+装卸费+专业人员服务费+相关税费(不含增值税)】应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】
    贷:银行存款/应付账款等
    (2)外购需要安装的固定资产
    购入时:
    借:在建工程【买价+运输费+装卸费+安装费+专业人员服务费+相关税费(不含增值税)】应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】
    贷:银行存款/应付账款等发生安装调试成本时:
    借:在建工程
    应交税费——应交增值税(进项税额)【可以抵扣的增值税进项税额】贷:银行存款等
    安装耗用材料或人工时: 借:在建工程
    贷:原材料【领用外购原材料】 库存商品【领用自产产品】 应付职工薪酬【应付的工资】
    安装完毕达到预定可使用状态时: 借:固定资产
    贷:在建工程
    (3)建造不动产
    自营方式下的会计核算: 购入工程物资时:
    借:工程物资【购买价款+相关税费】
    应交税费——应交增值税(进项税额) 贷:银行存款/应付账款等
    领用工程物资时:
    借:在建工程【领用的工程物资成本】贷:工程物资
    在建工程领用原材料:
    借:在建工程【领用材料的成本】贷:原材料【材料成本】
    在建工程领用本企业生产的商品: 借:在建工程【商品成本】
    贷:库存商品【商品成本】
  2. 固定资产的后续计量固定资产的折旧:
    借:在建工程【自行建造固定资产过程中使用的固定资产计提的折旧】
    制造费用【基本生产车间用固定资产计提的折旧】

管理费用【管理部门用固定资产计提的折旧】销售费用【销售部门用固定资产计提的折旧】
其他业务成本【经营租出的固定资产计提的折旧】贷:累计折旧
3. 固定资产的处置
(1) 固定资产转入清理:
借:固定资产清理【账面价值】
累计折旧【已计提的累计折旧】
固定资产减值准备【已计提的减值准备】贷:固定资产【账面原价】
(2) 发生的清理费用等:
借:固定资产清理【清理过程中支付的相关税费及其他费用】应交税费——应交增值税(进项税额)
贷:银行存款等
(3) 收回处置价款、残料价值和变价收入:
①收回处置价款和税款: 借:银行存款【处置价款】
贷:固定资产清理
应交税费——应交增值税(销项税额)
②残料入库:
借:原材料等【残料入库价值】贷:固定资产清理
(4) 保险赔偿的处理: 借:其他应收款等
贷:固定资产清理
(5) 清理净损益的处理:
①清理净损失:
借:营业外支出【报废、毁损造成的损失】 资产处置损益【正常出售、转让的损失】贷:固定资产清理
②清理净收益: 借:固定资产清理
贷:营业外收入【报废、毁损造成的收益】 资产处置损益【正常出售、转让的收益】
4.固定资产的清查

(1) 固定资产盘盈:
借:固定资产【重置成本】贷:以前年度损益调整
(2) 固定资产盘亏:
①批准前的处理:
借:待处理财产损溢【盘亏固定资产的账面价值】累计折旧【已计提的累计折旧】
固定资产减值准备【已计提的减值准备】贷:固定资产【盘亏固定资产的原价】
②批准后的处理:
借:其他应收款【保险赔偿或过失人赔偿】营业外支出【盘亏净损失】
贷:待处理财产损溢
5.固定资产的减值
期末,固定资产存在发生减值的迹象时,其可收回金额低于账面价值的,应对固定资产计提减值损失。借:资产减值损失【可收回金额低于账面价值的金额】
贷:固定资产减值准备

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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

打赏作者

ailongCSDN

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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