详细批次BATCH使用教程

Batch Management

[@more@]

Batch Management Test:

批次(batch)配置、使用详细教程

注:如果用Batch Management,必须要了解Classification和Characteristic的概念,并且在系统中创建好Batch所需要的类和特性。

以下测试以color,total shelf life, Date of Manufacture,作为class--- ZBATCH2的特性,

在Inventory Management搜索batch时,对Date of Manufacture按FIFO为选择条件。

1. classification & Characteristic

Step1.1定义Class,并输入其所用到的特性。

image

Step1.2:注意在创建特性时,由于Date Of Manufacture 是系统标准字段,所以在如下输入Table name & Field Name

image

Step1.3创建class,并维护其characteristic

image

2. 有关Batch Management的一些配置:

Step 2.1 :

image

Step2.2 Specify Batch Level

image

Step2.3: Batch Status Management, 如使用,则必须在此选中激活

通过batch status来控制批次管理,比如 限制状态的不能进行发料

image

Step2.4:进行conversion(根据需求定)

image

Step 2.5: 然后点击plant with batch status management

image

Step 2.6

image

Step 2.7: 然后点击Initial status of a new batch,定义Batch 的初始状态

image

Step2.8: 启用Batch Status后,经过以上设置,在Batch的Basic Data1,就会出现Batch Status.

image

3. Batch Number Assignment

Step3.1

image

Step 3.2:定义是否自动产生batch number

image

4. Creation of New Batch

image

5. Batch Determination and Batch Check

image

Step5.1 Condition Table.以Inventory Management 为例

image

Step5.2 Condition Table决定了在MBC1创建Batch search strategy时,以什么条件定义batch

可以按自己要求新建condition table

image

Step 5.3 Access sequence

image

Step5.4 Strategy Type

image

Step 5.5

image

6 Batch search procedure

image

Step 6.1:

image

7.Batch search procedure allocation and check activation

image

Step 7.1

image

8 Sort sequence: 如果对date of manufacture实现FIFO,需要创建sort sequence

Step 8.1: CU70创建sort Sequence (sort rule),或从配置路径中进入如下图

image

step 8.2

image

step 8.3

image

9.关于MBC1: 创建batch search strategy type

Step 9.1:

image

Step 9.2

image

step 9.3: selection criteria

image

Step 9.4: Sort

image

10.在发货时,如何体现FIFO(基于以上的配置,及主数据的输入)

Step10.1 Goods issue

image

Step10.2.: press enter

image

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/195776/viewspace-1018363/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/195776/viewspace-1018363/

LSTM模型是一种常用的循环神经网络模型,常用于处理序列数据。在TensorFlow中,可以使用tf.keras.layers.LSTM类来构建LSTM模型。本教程将介绍如何使用TensorFlow构建LSTM模型,包括数据预处理、模型构建、训练和预测。 1. 数据预处理 首先,我们需要准备数据。这里我们使用IMDB电影评论数据集作为例子。该数据集包含50,000个电影评论,其中25,000个评论用于训练,另外25,000个用于测试。每个评论由一个整数序列表示,表示单词在词汇表中的索引。我们需要将这些序列转换为固定长度的序列,以便输入到LSTM模型中。 代码如下: ```python import tensorflow as tf from tensorflow.keras.datasets import imdb from tensorflow.keras.preprocessing.sequence import pad_sequences # 加载数据集 (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) # 将序列填充到固定长度 maxlen = 500 train_data = pad_sequences(train_data, maxlen=maxlen) test_data = pad_sequences(test_data, maxlen=maxlen) ``` 在上面的代码中,我们使用了pad_sequences函数将序列填充到固定长度maxlen。这里我们将所有序列都填充到了长度为500。如果序列长度小于500,则在序列前面填充0,如果序列长度大于500,则截断序列,保留最后500个元素。 2. 模型构建 接下来,我们可以构建LSTM模型。在这里,我们使用了一层LSTM和一层全连接层。LSTM层的输出形状为(64, 32),表示有64个LSTM单元,每个单元输出32个特征。全连接层的输出形状为(64, 1),表示有64个神经元,输出一个标量值作为预测结果。 代码如下: ```python # 构建模型 model = tf.keras.Sequential([ tf.keras.layers.Embedding(10000, 32), tf.keras.layers.LSTM(32), tf.keras.layers.Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc']) ``` 在上面的代码中,我们使用了tf.keras.Sequential类来构建模型。Sequential类是一个简单的模型容器,可以按照顺序添加各种层。在这里,我们添加了一层嵌入层(Embedding)、一层LSTM层(LSTM)和一层全连接层(Dense)。 嵌入层的作用是将输入序列中的每个整数索引转换为固定长度的向量。LSTM层的作用是处理序列数据,从而捕捉序列中的长期依赖关系。全连接层的作用是将LSTM层的输出转换为一个标量值作为预测结果。 在模型编译时,我们指定了优化器(rmsprop)、损失函数(binary_crossentropy)和评价指标(acc)。 3. 训练模型 接下来,我们可以使用训练数据对模型进行训练。在训练过程中,我们可以使用验证数据评估模型的性能。在本例中,我们将训练集的前2000个样本用作验证集。 代码如下: ```python # 训练模型 history = model.fit(train_data, train_labels, epochs=10, batch_size=64, validation_split=0.2) ``` 在上面的代码中,我们使用了fit方法训练模型。在训练过程中,我们指定了训练的轮数(epochs)、批次大小(batch_size)和验证集比例(validation_split)。 训练完成后,我们可以使用测试数据评估模型的性能。 代码如下: ```python # 评估模型 test_loss, test_acc = model.evaluate(test_data, test_labels) print('Test accuracy:', test_acc) ``` 4. 预测新数据 最后,我们可以使用训练好的模型对新的数据进行预测。在本例中,我们使用了测试集中的前10个样本进行预测。 代码如下: ```python # 预测新数据 predictions = model.predict(test_data[:10]) print(predictions) ``` 在上面的代码中,我们使用了predict方法对新的数据进行预测。预测结果为一个标量值,表示评论的情感倾向,越接近1表示正面情感,越接近0表示负面情感。 以上就是使用TensorFlow构建LSTM模型的详细教程。通过本教程,您可以学习到如何使用TensorFlow构建LSTM模型,包括数据预处理、模型构建、训练和预测。
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