对财务客户开具Invoice(无销售流程)

一.说明

对客户的出具发票,除常规的销售流程外,还可以在财务模块对其直接记帐,如向客户提供的服务等。

与SD模块的VF01操作不同,本操作不生成发票凭证,只生成会计凭证

生成的会计凭证:(借)客户统驭科目;(贷)收入科目和销项税科目。

在此操作的客户可以只维护公司代码视图,而无需维护销售组织视图。客户的公司代码视图就是为结算服务的。

二.示例数据

条目 R/O 数据
抬头
公司代码 R 1010 装逼集团有限责任公司
客户 R 200001
发票日期 R <当前日期>
过帐日期 R <当前日期>
金额 R 998.00 CNY
税额/税率 R 计算税额/X0
项目
总帐科目 R 其它营业收入
借/贷(D/C) R H 贷方
凭证货币计的金额 R 998.00 CNY
税率 R X1 (17%销项税 中国)

(说明:表格中R/O列:R必输;O选输)

表1 示例数据

示例数据贷方虽只有管理费用(其它营业收入)一项,但由于包含销项税,实际生成的凭证贷方包含费用、销项税两个条目。

三.操作

在前台输入事物码FB70,或按图1所示路径进入操作。


图1 前台路径


图2 输入客户发票初始界面

图2是进入后的界面,首先注意抬头的公司代码是否正确(目前为1010),如不正确点击菜单“编辑→更改公司代码”进行修改。

输入客户编号和发票日期,按回车确认。


图3 输入金额和税率

如图3所示,确认客户后右上角栏显示客户的地址信息。接着输入金额、是否计算税额及销项税率。

在此操作中抬头部分为借项栏,贷项栏则需在项目部分输入。按表1的示例数据输入总帐科目、金额及税率。输入完成后按回车键确认。


图4 输入后确认界面

图4显示输入后的确认界面,可以看到右上角的余额为0,表明借贷平衡,可以过帐。在过帐之前我们模拟一下生成的科目,在工具栏点击模拟按钮,显示图5界面。


图5 模拟凭证概览

图5界面显示模拟生成的科目,因为销项税率为X1,所以贷方还有税收相关科目。如无误,点击保存按钮生成凭证,底部状态栏显示生成的凭证号。

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

打赏作者

SAP剑客

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