SAP AG的GenericOutputFormat在打印字体中的应用

需积分: 7 0 下载量 67 浏览量 更新于2024-07-23 收藏 512KB PDF 举报
"smartforms 打印字体" 在 SAP 系统中,SmartForms 是一个用于创建和设计复杂业务文档的强大工具。SmartForms 提供了一种图形化的用户界面,允许用户无需编程知识就能构建动态的、数据驱动的表格和报告。在涉及到打印字体时,我们关注的是如何在 SmartForms 中设置和调整输出文档的样式,包括字体类型、大小和颜色等。 "GenericOutputFormat" 是 SAP 中的一种标准输出格式,它被用于定义输出文档的通用结构和布局。这种格式允许开发者或管理员控制文档的呈现方式,包括在打印时使用的字体。在创建 SmartForms 时,你可以指定特定的字体,以确保打印的文档符合公司的品牌标准或合规要求。 SAPGOF (SAP Generic Output Format) 是与 SAP Web Application Server 6.40 配合使用的一种输出管理服务。它提供了一个框架,用于生成和管理各种输出格式,如 PDF、HTML 或其他文本格式。通过 SAPGOF,你可以配置打印字体选项,确保无论在何种设备上打印,都能保持一致的视觉效果。 文档中提到的版权信息表明,这是 SAP AG 的官方文档,可能包含对 SAP 软件产品的详细描述和技术细节。这些产品可能包含来自其他软件供应商的专有组件,例如微软的 Windows、Excel、Word 和 PowerPoint,IBM 的 DB2 数据库系统,以及 Oracle 的数据库产品。这些第三方软件与 SAP 的集成使得在 SmartForms 中处理打印字体时,可以支持多种操作系统和数据库环境的字体设置。 在实际操作中,配置 SmartForms 的打印字体涉及以下步骤: 1. 打开 SmartForms 设计器。 2. 选择要修改的表单元素(如文本字段或段落)。 3. 在属性面板中,找到“Font”部分,这里可以设置字体名称、大小、颜色、粗体、斜体等属性。 4. 如果需要自定义字体,确保该字体已安装在服务器上,并且在 SAP 系统中可用。 5. 保存并测试表单,确认打印预览中的字体样式是否正确。 此外,为了实现跨平台的一致性,SmartForms 还支持使用 PCL 和 PostScript 等打印机语言的字体设置。对于多语言环境,可以设定不同的字体来支持不同的字符集,如拉丁文、中文、日文等。 SmartForms 的打印字体功能是 SAP 企业流程自动化中的一个重要组成部分,它允许用户创建专业且定制化的输出文档,同时确保了在各种输出设备上的视觉一致性。通过理解和利用这些功能,企业可以提高其文档管理的效率和质量。
2021-02-16 上传

import pandas as pd import warnings import sklearn.datasets import sklearn.linear_model import matplotlib import matplotlib.font_manager as fm import matplotlib.pyplot as plt import numpy as np import seaborn as sns data = pd.read_excel(r'C:\Users\Lenovo\Desktop\data.xlsx') print(data.info()) fig = plt.figure(figsize=(10, 8)) sns.heatmap(data.corr(), cmap="YlGnBu", annot=True) plt.title('相关性分析热力图') plt.rcParams['axes.unicode_minus'] = False plt.rcParams['font.sans-serif'] = 'SimHei' plt.show() y = data['y'] x = data.drop(['y'], axis=1) print('************************输出新的特征集数据***************************') print(x.head()) from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42) def relu(x): output=np.maximum(0, x) return output def relu_back_propagation(derror_wrt_output,x): derror_wrt_dinputs = np.array(derror_wrt_output, copy=True) derror_wrt_dinputs[x <= 0] = 0 return derror_wrt_dinputs def activated(activation_choose,x): if activation_choose == 'relu': return relu(x) def activated_back_propagation(activation_choose, derror_wrt_output, output): if activation_choose == 'relu': return relu_back_propagation(derror_wrt_output, output) class NeuralNetwork: def __init__(self, layers_strcuture, print_cost = False): self.layers_strcuture = layers_strcuture self.layers_num = len(layers_strcuture) self.param_layers_num = self.layers_num - 1 self.learning_rate = 0.0618 self.num_iterations = 2000 self.x = None self.y = None self.w = dict() self.b = dict() self.costs = [] self.print_cost = print_cost self.init_w_and_b() def set_learning_rate(self,learning_rate): self.learning_rate=learning_rate def set_num_iterations(self, num_iterations): self.num_iterations = num_iterations def set_xy(self, input, expected_output): self.x = input self.y = expected_output

2023-06-07 上传