Java在c盘fld目录下的文件名_用友T3创建年度帐时提示:对象名 TAX_SB_NSSB_BJ_ZB 无效?...

文章摘要:近期有一个用友通T3财务软件的客户在进行年度数据结转时卡在了建立新的会计年度这边,主要错误现象为:用友T3创建年度帐时提示:对象名 TAX_SB_NSSB_BJ_ZB 无效

问题现象:近期有一个用友通T3财务软件的客户在进行年度数据结转时卡在了建立新的会计年度这边,主要错误现象为:用友T3创建年度帐时提示:对象名 TAX_SB_NSSB_BJ_ZB 无效?如下图所示:

f5294d11add89839bda6a053c546bf84.png

确定后可能还会有如下提示:未准备命令,而且一直退不出去,关不掉系统管理。

3c0d09685d2ad788edf74311017cb289.png

用友小辣妹首先想到的办法就是把这个账套降级后再升级试一下看,因为不少的建立年度账的问题试用这个方法都可以解决,于是开始进数据库中操作:use ufdata_010_2016

update accinformation set cvalue='8.213' where cid ='99' and csysid = 'AA'

可惜,降级后进系统管理升级SQLSERVER数据库时提示了更多的错误,发现不行。

后来想到之前发布过一款专门用于用友T3升级问题之降级处理的工具,下载地址为:https://www.yyrjxz.com/ask/thread-204736-1-1.html,于是使用工具进行尝试,看是否可以成功。

1、打开工具后,可直接进行修复,如果是提示下面的报错,要考虑电脑上是否安装好了用友通T3软件,另外解压后存在在C盘根目录下进行尝试。

e0d16e2b49bc60ba2ee25edabb640d6d.png

2、连接数据库时,注意自己的SA口令别输入错误,如果不记得SA密码的话,可以参考教程进行修改:https://www.yyrjxz.com/xue/sa.html。

3、用友小辣妹比较喜欢研究工具,后来发现工具中的脚本并不仅仅是降级这么简单,大家可以一起看一下。update accinformation set cvalue='8.216',cdefault='8.216' where cname='versionflag'

if exists (select * from dbo.sysobjects where id = object_id(N'[dbo].[Rpt_FldDEF]') and OBJECTPROPERTY(id, N'IsUserTable') = 1)

select * into tempdb..yld1 from rpt_flddef

GO

if exists (select * from dbo.sysobjects where id = object_id(N'[dbo].[Rpt_FldDEF]') and OBJECTPROPERTY(id, N'IsUserTable') = 1)

drop table [dbo].[Rpt_FldDEF]

GO

CREATE TABLE [dbo].[Rpt_FldDEF] (

[ID_Field] [int] IDENTITY (1, 1) NOT NULL ,

[ID] [int] NULL ,

[Name] [varchar] (32) COLLATE Chinese_PRC_CI_AS NULL ,

[Expression] [varchar] (255) COLLATE Chinese_PRC_CI_AS NULL ,

[Condition] [varchar] (255) COLLATE Chinese_PRC_CI_AS NULL ,

[ModeEx] [int] NULL ,

[OrderEx] [int] NULL ,

[TopEx] [int] NULL ,

[LeftEx] [int] NULL ,

[Width] [int] NULL ,

[Height] [int] NULL ,

[Visible] [int] NULL ,

[Note] [varchar] (32) COLLATE Chinese_PRC_CI_AS NULL ,

[nameForeign] [varchar] (32) COLLATE Chinese_PRC_CI_AS NULL ,

[iColSize] [int] NULL ,

[FormatEx] [varchar] (20) COLLATE Chinese_PRC_CI_AS NULL ,

[iAlignStyle] [int] NULL ,

[iSize] [int] NULL

) ON [PRIMARY]

GO

ALTER TABLE [dbo].[Rpt_FldDEF] WITH NOCHECK ADD

CONSTRAINT [Rpt_FldDEF_PK] PRIMARY KEY  CLUSTERED

(

[ID_Field]

)  ON [PRIMARY]

GO

ALTER TABLE [dbo].[Rpt_FldDEF] ADD

CONSTRAINT [DF__Rpt_FldDe__iColS__76B76416] DEFAULT (0) FOR [iColSize],

CONSTRAINT [DF__Rpt_FldDe__iAlig__77AB884F] DEFAULT (0) FOR [iAlignStyle],

CONSTRAINT [DF__Rpt_FldDe__iSize__789FAC88] DEFAULT (0) FOR [iSize]

GO

CREATE  INDEX [ID] ON [dbo].[Rpt_FldDEF]([ID]) ON [PRIMARY]

GO

CREATE  UNIQUE  INDEX [ID_Field] ON [dbo].[Rpt_FldDEF]([ID_Field]) ON [PRIMARY]

GO

setuser

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_Height_D]', N'[Rpt_FldDEF].[Height]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_ID_D]', N'[Rpt_FldDEF].[ID]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_LeftEx_D]', N'[Rpt_FldDEF].[LeftEx]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_ModeEx_D]', N'[Rpt_FldDEF].[ModeEx]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_OrderEx_D]', N'[Rpt_FldDEF].[OrderEx]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_TopEx_D]', N'[Rpt_FldDEF].[TopEx]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_Visible_D]', N'[Rpt_FldDEF].[Visible]'

GO

EXEC sp_bindefault N'[dbo].[Rpt_FldDEF_Width_D]', N'[Rpt_FldDEF].[Width]'

GO

setuser

GO

set identity_insert Rpt_FldDEF on

insert into dbo.Rpt_FldDEF(ID_Field, ID, Name, Expression, Condition, ModeEx, OrderEx, TopEx, LeftEx, Width, Height, Visible, Note, nameForeign, iColSize, FormatEx, iAlignStyle, iSize)

select iD_Field, ID, Name, Expression, Condition, ModeEx, OrderEx, TopEx, LeftEx, Width, Height, Visible, Note, nameForeign, iColSize, FormatEx, iAlignStyle, iSize

-- select *

from tempdb..yld1

set identity_insert Rpt_FldDEF off

go

if exists (select * from tempdb..sysobjects where name='yld1')

drop table tempdb..yld1

GO

通过上述SQL脚本可以看出来除了降级,还有操作是通过删除RPT开头的数据库表,再重建来解决此问题。

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。 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。
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