我所从事的ERP(六)

  我不认为我上的新系统加上一个失败的论调什么的。事实上,很多同行包括同事都在看我的blog,我之所以把事实放上来,是希望通过我的经历来获得一个经验和教训。在这个新系统里,还优化了很多很多,改善了很多原来不规范的问题。最终却因为百密一疏而造成了成本数据不准确。
 
  系统数据不准,必须重新来。这是不可改变的事实,事实上也没有人会愿意接受一个有问题的系统。无论别的地方说得再多再好,终究还是有问题。我们公司最后按商议的结果,重新启动原来的旧系统。补录数据,新的系统接着往下做。
 
  ERP的数据录入人员颇有抵触,她们必须做旧系统、新系统,由于系统尚末全面铺开,生产部的运作她们还必须手工处理一部分数据。对她们来说,工作加大了近一倍。我是可以理解的,但问题要解决,还是必须说服加上强制。最后,老板也出来说话。才解除了大家心理上的问题。
 
  我让仓库提供了泡面,饮料等等,以提供她们加班时使用。作为一个领导者,有时候不能光用强制手段,多少也给她们日以夜继加班的一个心理安慰吧。有人说,这是她们应该做的,但毕竟前因后果还是我们管理上的疏忽,一定程度的补偿也是安慰我自已吧。
 
  经过2周的努力。新旧系统的数据都出来了。终于有了结果。
 
  比较数据时,我却发现,存货在新系统中比旧系统出来的数据差了19万,利润差了29万。部门同事嘴角带着一些笑。我问他们笑什么,他们说累了半个月,差异也不大呢。其实也可以不用补录数据的,搞得这么辛苦。
 
  我没有说出我的心思,毕竟不像原来想像的那么严重。我还是舒了一口气,可是差异毕竟是存在的,从道理上来说,有差异代表还是问题存在的。
 
  一个新的想法浮上我的脑中,我必须把系统配置好。然后重新上一个系统。经过这次系统的上线,我不仅基本上了解了产品以及产品特性。更重要的是我们发现了一些问题产生的根源。在新系统中我就可以回避这些问题了。新系统如果正常运作起来,将是公司ERP运用的又一个提高。
 
  另一个让我高兴的是,ERP的操作者她们似乎也熟练了很多,人为的失误问题也减少了很多,很多原来不明确的业务通过上次的运行,也熟悉了起来。
 
  应了这么一句话:祸兮福所伏。
 
  或许吧,上帝总是在关上一扇门的时候,会打开另一扇门的。。。。。
 
  经历就是财富。
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。
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