【Tensorflow 2.12 简单智能商城商品推荐系统搭建】

news2025/1/2 0:02:00

Tensorflow 2.12 简单智能商城商品推荐系统搭建

  • 前言
  • 架构
  • 数据
  • 召回
  • 排序
  • 部署
  • 调用
  • 结尾

前言

基于 Tensorflow 2.12 搭建一个简单的智能商城商品推荐系统demo~
主要包含6个部分，首先是简单介绍系统架构，接着是训练数据收集、处理，然后是召回模型、排序模型的搭建以及训练、导出等，最后是部署模型提供REST API接口以及如何调用进行推荐。

Tensorflow是谷歌开源的机器学习框架，可以帮助我们轻松地构建和部署机器学习模型。这里记录学习使用Tensorflow来搭建一个简单的智能商城商品推荐系统。
相关版本：

  • python 3.1.0
  • pandas 2.0.3
  • tensorflow 2.12.0
  • tensorflow-recommenders 0.7.3

架构

通常一个商城系统主要包含前端、后台，前端包含网站、移动H5、APP、小程序、公众号等，后台主要包含相关的API服务以及存储层等。
首先运营通过后台来录入商品信息、进行上架，然后前端用户通过商城APP、小程序来浏览商品、搜索商品、进行下单购买、关注、收藏等。
一般系统中都会保留用户的这些操作数据，例如浏览数据、搜索数据、下单数据等，结合运营录入的商品数据，通过定时Job生成用户的特征数据、商品的特征数据，然后使用机器学习来找到用户喜欢的但又没有购买过的商品，进行简单的AI推荐。
这里简单的画了一个图：
在这里插入图片描述

数据

数据收集部分这里就不展开讲了，相信现在大部分电商系统都有保留用户的一些搜索数据、下单数据等，以及后台录入的商品数据，通过一个定时JOB，定时把数据查询出来导出为CSV文件即可，作为后续进行模型训练的数据集。
当然没有也没关系，可以写一个简单的Java方法、或者python方法随机生成数据，写到CSV文件中。
这里先从最简单的开始，只使用用户的下单数据以及商品数据来进行训练（主要特征为用户Id、商品Id）。
在这里插入图片描述

召回

主要是训练一个双塔召回模型，根据用户的历史下单数据以及商品数据，召回几百到数千条用户喜欢的商品（基于内容的推荐）。
召回模型搭建分为以下几部分：
1、数据处理
2、模型搭建
3、模型训练
4、模型评估
5、模型导出

import pprint
import pandas as pd

from typing import Dict, Text

import numpy as np
import tensorflow as tf
import tensorflow_recommenders as tfrs

# -*- coding:utf-8 -*-

# 使用pandas加载数据
order_df = pd.read_csv("C:\\data\\python\\data\\blog\\order.csv", encoding="gbk")
pprint.pprint(order_df.shape)
pprint.pprint(order_df.head(5))

# 处理数据类型（转为字符串）
order_df['user_id'] = order_df['user_id'].astype(str)
order_df['product_id'] = order_df['product_id'].astype(str)

# 将DataFrame（pandas）转换为Dataset（tensorflow）
order_df = tf.data.Dataset.from_tensor_slices(dict(order_df))
for x in order_df.take(1).as_numpy_iterator():
    pprint.pprint(x)

# 准备嵌入向量的词汇表（用户的）
user_ds = order_df.map(lambda x: {
    "user_id": x["user_id"],
    "product_id": x["product_id"]
})
# 准备嵌入向量的词汇表（商品的）
product_ds = order_df.map(lambda x: x["product_id"])

# 随机数种子
tf.random.set_seed(42)
# 打乱数据
shuffled = user_ds.shuffle(100_000, seed=42, reshuffle_each_iteration=False)
# 切分数据，分为训练数据以及验证数据
train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 数据分片
user_ids = user_ds.batch(1_000_000).map(lambda x: x["user_id"])
product_ids = product_ds.batch(1_000)
# 获取唯一的用户Id列表以及商品列表
unique_user_ids = np.unique(np.concatenate(list(user_ids)))
pprint.pprint(unique_user_ids[:5])
unique_product_ids = np.unique(np.concatenate(list(product_ids)))
pprint.pprint(unique_product_ids[:5])

# 将用户特征映射到用户embedding中，查询塔
user_model = tf.keras.Sequential([
    tf.keras.layers.StringLookup(vocabulary=unique_user_ids, mask_token=None),
    tf.keras.layers.Embedding(len(unique_user_ids) + 1, 32)
])
# 将商品特征映射到商品embedding中，候选条目塔
product_model = tf.keras.Sequential([
    tf.keras.layers.StringLookup(vocabulary=unique_product_ids, mask_token=None),
    tf.keras.layers.Embedding(len(unique_product_ids) + 1, 32)
])

# 定义模型指标
metrics = tfrs.metrics.FactorizedTopK(
    candidates=product_ds.batch(128).map(product_model)
)
# 任务类，把损失函数和指标计算放在一起，本身是一个keras层
task = tfrs.tasks.Retrieval(
    metrics=metrics
)

# 完整的双塔召回模型类，负责循环训练模型
class RecModel(tfrs.Model):

    # 初始化方法
    def __init__(self, user_model, product_model):
        super().__init__()
        self.user_model: tf.keras.Model = user_model
        self.product_model: tf.keras.Model = product_model
        self.task: tf.keras.layers.Layer = task

    # 计算损失
    def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:
        # 获取用户特征
        user_embeddings = self.user_model(features["user_id"])
        # 获取商品特征
        positive_product_embeddings = self.product_model(features["product_id"])
        # 计算损失
        return self.task(user_embeddings, positive_product_embeddings)


# 创建模型实例
model = RecModel(user_model, product_model)
model.compile(optimizer=tf.keras.optimizers.Adagrad(learning_rate=0.05))

# 缓存数据
cached_train = train.shuffle(100_000).batch(8192).cache()
cached_test = test.batch(4096).cache()

# 开始训练
model.fit(cached_train, epochs=3)

# 评估模型
model.evaluate(cached_test, return_dict=True)

# 为训练好的模型建立索引，这里设置召回前100条商品条目
index = tfrs.layers.factorized_top_k.BruteForce(model.user_model, k=100)
index.index_from_dataset(
    tf.data.Dataset.zip((product_ds.batch(100), product_ds.batch(100).map(model.product_model)))
)

# 进行预测
scores, products = index(tf.constant(["42"]))
pprint.pprint(f"用户Id 42 召回结果: {products[0, :5]}")

# 保存、加载模型路径
path = "C:\\data\\python\\data\\blog\\index\\"
# 保存模型
tf.saved_model.save(index, path)
# 加载模型
loaded = tf.saved_model.load(path)
# 进行预测
scores, products = loaded(["42"])
pprint.pprint(f"用户Id 42 召回结果: {products[0, :5]}")

排序

排序部分，主要是根据用户对商品的评分数据训练出一个排序模型，当然有的系统不一定有评分模块，可以以用户的订单数据为基础，结合系统中的其他数据，经过一定的转换算法来生成评分数据，如用户下单记录可以先简单理解为用户喜欢这个商品，记录用户对这个商品的基础评分1分，假如用户多次购买这个商品，在基础分上再加1分，其它的数据如用户分享过的、点赞过的、搜索过的商品都可以加1分或者作为基础分，这样来把系统中的隐式反馈数据转换为显式评分数据，方便后续进行排序模型训练。这里先简单的以用户的下单数据来作为评分数据进行训练，即用户下单的商品都赋值为1分（下图中rating列）。
在这里插入图片描述

排序模型搭建同样分为以下几部分：
1、数据处理
2、模型搭建
3、模型训练
4、模型评估
5、模型导出

import pprint

from typing import Dict, Text

import pandas as pd
import numpy as np
import tensorflow as tf
import tensorflow_recommenders as tfrs

# 使用pandas加载数据
order_df = pd.read_csv("C:\\data\\python\\data\\blog\\order.csv", encoding="gbk")
pprint.pprint(order_df.shape)
pprint.pprint(order_df.head(5))

# 处理数据类型
order_df['user_id'] = order_df['user_id'].astype(str)
order_df['product_id'] = order_df['product_id'].astype(str)
order_df['rating'] = order_df['rating'].astype(float)

# 将DataFrame（pandas）转换为Dataset（tensorflow）
order_df = tf.data.Dataset.from_tensor_slices(dict(order_df))
for x in order_df.take(1).as_numpy_iterator():
    pprint.pprint(x)

# 准备嵌入向量的词汇表
ratings = order_df.map(lambda x: {
    "user_id": x["user_id"],
    "product_id": x["product_id"],
    "rating": x["rating"]
})

# 随机数种子
tf.random.set_seed(42)
# 打乱数据
shuffled = ratings.shuffle(100_000, seed=42, reshuffle_each_iteration=False)
# 切分数据，分为训练数据以及验证数据
train = shuffled.take(80_000)
test = shuffled.skip(80_000).take(20_000)

# 数据分片
user_ids = ratings.batch(1_000_000).map(lambda x: x["user_id"])
product_ids = ratings.batch(1_000_000).map(lambda x: x["product_id"])
# 获取唯一的用户Id列表以及商品列表
unique_user_ids = np.unique(np.concatenate(list(user_ids)))
pprint.pprint(unique_user_ids[:5])
unique_product_ids = np.unique(np.concatenate(list(product_ids)))
pprint.pprint(unique_product_ids[:5])

# 实现排序模型
class BaseModel(tf.keras.Model):

  def __init__(self):
    super().__init__()
    embedding_dimension = 32

    # 用户 embeddings
    self.user_embeddings = tf.keras.Sequential([
      tf.keras.layers.StringLookup(vocabulary=unique_user_ids, mask_token=None),
      tf.keras.layers.Embedding(len(unique_user_ids) + 1, embedding_dimension)
    ])

    # 商品 embeddings
    self.product_embeddings = tf.keras.Sequential([
      tf.keras.layers.StringLookup(
        vocabulary=unique_product_ids, mask_token=None),
      tf.keras.layers.Embedding(len(unique_product_ids) + 1, embedding_dimension)
    ])

    # 预测模型
    self.ratings = tf.keras.Sequential([
      tf.keras.layers.Dense(256, activation="relu"),
      tf.keras.layers.Dense(64, activation="relu"),
      tf.keras.layers.Dense(1)
  ])

  def call(self, inputs):
    # 获取输入
    user_id, product_id = inputs
    # 获取用户特征、商品特征
    user_embedding = self.user_embeddings(user_id)
    product_embedding = self.product_embeddings(product_id)
    # 计算评分
    return self.ratings(tf.concat([user_embedding, product_embedding], axis=1))


# 完整的模型
class RankModel(tfrs.models.Model):

  def __init__(self):
    super().__init__()
    self.ranking_model: tf.keras.Model = BaseModel()
    # 定义损失函数以及评估指标
    self.task: tf.keras.layers.Layer = tfrs.tasks.Ranking(
      loss = tf.keras.losses.MeanSquaredError(),
      metrics=[tf.keras.metrics.RootMeanSquaredError()]
    )

  def call(self, features: Dict[str, tf.Tensor]) -> tf.Tensor:
    return self.ranking_model((features["user_id"], features["product_id"]))

  def compute_loss(self, features: Dict[Text, tf.Tensor], training=False) -> tf.Tensor:
    # 获取实际评分
    labels = features.pop("rating")
    # 获取预测评分
    rating_predictions = self(features)
    # 计算损失
    return self.task(labels=labels, predictions=rating_predictions)


# 实例化模型
model = RankModel()
model.compile(optimizer=tf.keras.optimizers.Adagrad(learning_rate=0.05))

# 缓存训练和评估数据
cached_train = train.shuffle(100_000).batch(8192).cache()
cached_test = test.batch(4096).cache()

# 训练模型
model.fit(cached_train, epochs=3)

# 评估模型
model.evaluate(cached_test, return_dict=True)

# 测试排序模型
test_ratings = {}
test_product_ids = ["1", "2", "3", "4", "5"]
for product_id in test_product_ids:
  test_ratings[product_id] = model({
      "user_id": np.array(["1"]),
      "product_id": np.array([product_id])
  })

# 倒序打印排序结果
for product, score in sorted(test_ratings.items(), key=lambda x: x[1], reverse=True):
  print(f"排序结果 {product}: {score}")

# 保存模型
tf.saved_model.save(model, "C:\\data\\python\\data\\blog\\rank\\")

# 加载模型
loaded = tf.saved_model.load("C:\\data\\python\\data\\blog\\rank\\")

# 进行排序
print(loaded({"user_id": np.array(["42"]), "product_id": ["42"]}).numpy())

部署

召回以及排序模型训练好之后，我们需要进行部署，提供接口给前端应用进行调用，TensorFlow也提供了部署的组件（TensorFlow Serving），方便开发者快速进行部署，以便提供推荐服务。
1、拉取镜像

docker pull tensorflow/serving

2、配置文件
这里我们有两个训练好的模型，一个是召回模型（index），一个是排序模型（rank），还需要再编写一个配置文件（models.config），配置两个模型的相关信息（包含模型的名称、路径、以及生成模型的平台），具体如下：

model_config_list:{
     config:{
          name:"index",
          base_path:"/models/index",
          model_platform:"tensorflow"
     },
     config:{
          name:"rank",
          base_path:"/models/rank",
          model_platform:"tensorflow"
     }
}

编写完成后，总的文件以及相关目录如下：
在这里插入图片描述
这些文件在dockerfile中进行添加或者启动容器后上传都可以，这里注意一个点，模型文件夹里面还需要再建一个版本号文件夹，例如1，用来表示版本号，具体可见下面截图：
在这里插入图片描述
3、启动容器
这里直接以上面拉取的tensorflow/serving镜像为基础，启动容器，同时挂载本地的models文件夹到容器的models文件夹下，以及指定多模型配置文件（models.config），即可运行，具体如下：

docker run -t -p 8501:8501 --mount type=bind,source=E:\data\python\simple\models,target=/models -e MODEL_NAME=index -t tensorflow/serving --model_config_file=/models/models.config &

如果有用docker desktop，可以在containers界面看到启动的容器，点击进去查看日志，可以看到两个模型已经成功加载，服务也成功启动，相关截图如下：
在这里插入图片描述
查看容器的文件目录，可以看到我们挂载进去的models文件夹以及下面的相关模型、配置文件，截图如下：
在这里插入图片描述

调用

推荐模型部署好之后，我们就可以用http post的方式来调用推荐服务提供的rest api接口了。召回服务的调用路径为：http://localhost:8501/v1/models/index:predict，其中v1对应之前建立的版本号文件夹1，index对应的是召回模型名称，predict是表示进行预测的意思，同理排序模型的调用路径为：http://localhost:8501/v1/models/rank:predict。
这里模拟为用户Id为1和2的两个用户进行商品推荐，示例如下：

# 1、先进行召回推荐，这里使用curl命令来进行调用
curl -d '{"instances":["1","2"]}' -X POST http://localhost:8501/v1/models/index:predict
# 召回推荐返回如下：
{
    "predictions": [ # 推荐列表
        { # 用户Id为1召回结果
            "output_1": [3.94739556,2.27907419, ...... ], # 召回的依据：分数，100个
            "output_2": ["59001","3039", ...... ] # 召回商品Id，与分数一一对应，100个
        },
        { # 用户Id为2召回结果
            "output_1": [2.272927,2.263876706, ...... ],
            "output_2": ["11632","7338", ...... ]
        }
    ]
}
# 2、将召回推荐的结果再输入排序模型来进行排序，得到最终的推荐结果，这里对用户Id为1的召回结果进行排序，用户Id为2同理：
curl -d '{"inputs":{"customer_id":["1","1", ...... ],"product_id":["59001","3039", ......（这里是召回的100个商品Id，太长了省略） ]}}' -X POST http://localhost:8501/v1/models/rank:predict
# 排序返回如下，可以取排序后分数最高的前10个商品作为最终的结果推荐给用户：
{
    "outputs": [ # 排序列表
        [1.19891763], # 排序的依据分数，与请求参数中的商品Id一一对应，100条
        [1.15422344],
        ......
    ]
}

结尾

一个简单的推荐系统demo搭建到这里就结束了，当然生产的推荐肯定不会这么简单，需要我们收集更多的用户特征、商品特征，以及优化、调整超参数～

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1126770.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

一个小的图文编辑软件 -- 采用winform开发

一个小的图文编辑软件 -- 采用winform开发

本人用winform开发了一款图文编辑软件，实现了图片、文字、图形混合排版; 可以对图元调整大小、设置角度、添加剪切区间等操作。本人以前也写过一款类似的软件《WinForm版图像编辑小程序》； 最近几年，本人一直从事图形处理方面的开发&#xff…
阅读更多...
雷达开发的基本概念fft，cfar，以及Clutter, CFAR,AoA

雷达开发的基本概念fft，cfar，以及Clutter, CFAR,AoA

CFAR Constant False-Alarm Rate的缩写。在雷达信号检测中，当外界干扰强度变化时，雷达能自动调整其灵敏度，使雷达的虚警概率保持不变。具有这种特性的接收机称为恒虚警接收机。雷达信号的检测总是在干扰背景下进行的，这些干扰包括…
阅读更多...
SAP PO/PI 设置字段或静态参数到URL

SAP PO/PI 设置字段或静态参数到URL

文章目录 需求一、字段内容设置到URL中二、使用静态值三、测试总结 需求 通过PO/PI访问第三方接口并把字段或静态参数设置在URL中 一、字段内容设置到URL中 首先我们在MassageMapping中需要把字段内容发送到DynamicConfiguration中去，利用UDF UDF代码 这里面需要…
阅读更多...
编译工具链 之一 基本概念、组成部分、编译过程、命名规则

编译工具链 之一 基本概念、组成部分、编译过程、命名规则

编译工具链将程序源代码翻译成可以在计算机上运行的可执行程序。编译过程是由一系列的步骤组成的，每一个步骤都有一个对应的工具。这些工具紧密地工作在一起，前一个工具的输出是后一个工具的输入，像一根链条一样，我们称这一系列工…
阅读更多...
【汇编】第一个汇编程序（学习笔记）

【汇编】第一个汇编程序（学习笔记）

一、程序从编写到执行的过程 1、编写 Notepad / UltraEdit 汇编语言 2、编译、连接 MASM.EXE：编译产生目标文件 LINK.EXE：连接，产生可执行文件 连接作用：源程序分为多个子程序编译后，连接在一起。或程序调用其他…
阅读更多...
【JavaEE】网络编程---UDP数据报套接字编程

【JavaEE】网络编程---UDP数据报套接字编程

一、UDP数据报套接字编程 1.1 DatagramSocket API DatagramSocket 是UDP Socket，用于发送和接收UDP数据报。 DatagramSocket 构造方法： DatagramSocket 方法： 1.2 DatagramPacket API DatagramPacket是UDP Socket发送和接收的数据报。…
阅读更多...
SQL查询优化---单表使用索引及常见索引失效优化

SQL查询优化---单表使用索引及常见索引失效优化

如何避免索引失效 1、全值匹配 系统中经常出现的sql语句如下： EXPLAIN SELECT SQL_NO_CACHE * FROM emp WHERE emp.age30 EXPLAIN SELECT SQL_NO_CACHE * FROM emp WHERE emp.age30 and deptid4EXPLAIN SELECT SQL_NO_CACHE * FROM emp WHERE emp.age30 and dept…
阅读更多...
美团真题解析

美团真题解析

文章目录 🌟 美团真题解析🍊 美团面试真题-美团招聘简介🍊 美团面试真题-介绍一下MyBatis的缓存机制🎉 一级缓存🎉 二级缓存 🍊 美团面试真题-谈谈jvm的内存模型🍊 美团面试真题-谈谈你知道的垃…
阅读更多...
手写 Promise（1）核心功能的实现

手写 Promise（1）核心功能的实现

一：什么是 Promise Promise 是异步编程的一种解决方案，其实是一个构造函数，自己身上有all、reject、resolve这几个方法，原型上有then、catch等方法。 Promise对象有以下两个特点。 （1）对象的状态不受…
阅读更多...
[SQL开发笔记]WHERE子句 : 用于提取满足指定条件的记录

[SQL开发笔记]WHERE子句 : 用于提取满足指定条件的记录

SELECT DISTINCT语句用户返回列表的唯一值：这是一个很特定的条件，假设我需要考虑很多中限制条件进行查询呢？这时我们就可以使用WHERE子句进行条件的限定 一、功能描述： WHERE子句用于提取满足指定条件的记录； 二、WH…
阅读更多...
nginx快速部署一个网站服务 + 多域名 + 多端口

nginx快速部署一个网站服务 + 多域名 + 多端口

👨‍🎓博主简介 🏅云计算领域优质创作者   🏅华为云开发者社区专家博主   🏅阿里云开发者社区专家博主 💊交流社区：运维交流社区 欢迎大家的加入！ 🐋 希望大家多多支…
阅读更多...
C#，数值计算——分类与推理Phylo_slc的计算方法与源程序

C#，数值计算——分类与推理Phylo_slc的计算方法与源程序

1 文本格式 using System; using System.Collections.Generic; namespace Legalsoft.Truffer { public class Phylo_slc : Phylagglom { public override void premin(double[,] d, int[] nextp) { } public override double dminfn(double[…
阅读更多...
OS 处理机调度

OS 处理机调度

目录 处理机调度的层次 高级调度 作业 作业控制块 JCB 作业调度的主要任务 低级调度 中级调度 进程调度 进程调度时机 进程调度任务 进程调度机制 排队器 分派器 上下文切换器 进程调度方式 非抢占调度方式 抢占调度方式 调度算法 处理机调度算法的目标 处理…
阅读更多...
UE5 虚幻引擎中UI、HUD和UMG的区别与联系

UE5 虚幻引擎中UI、HUD和UMG的区别与联系

目录 0 引言1 UI 用户界面2 HUD 用户界面3 UMG4 总结 🙋‍♂️ 作者：海码007📜 专栏：UE虚幻引擎专栏💥 标题：UE5 虚幻引擎中UI、HUD和UMG的区别与联系❣️ 寄语：加油，一次专注一件事…
阅读更多...
Java编写图片转base64

Java编写图片转base64

图片转成base64 url ， 在我们的工作中也会经常用到，比如说导出 word,pdf 等功能，今天我们尝试写一下。 File file new File("");byte[] data null;InputStream in null;ByteArrayOutputStream out null;try{URL url new URL(&…
阅读更多...
C++初阶 入门(2)

C++初阶 入门(2)

目录 一、缺省函数 1.1什么是缺省函数 1.2为什么要有缺省函数 1.3使用缺省函数 1.4测试代码 二、函数重载 2.1什么是函数重载 2.2为什么要有函数重载 2.3什么情况构成函数重载 2.4函数重载例子及代码 三、引用 3.1什么是引用 3.2如何引用 ​3.3常引用(可略过) 3…
阅读更多...
【宝塔面板建站】本地连接云服务器的数据库 以阿里云服务器为例子（保姆级图文）

【宝塔面板建站】本地连接云服务器的数据库 以阿里云服务器为例子（保姆级图文）

目录 实现效果实现过程1. 获取云服务的数据库root密码 2.尝试本地连接2.1 端口放行2.2 云服务器授权本地访问MySQL权限 实现代码总结 『宝塔面板建站』分享宝塔面板从安装到实战的宝塔面板本机免云服务器免域名搭建网站等内容。 欢迎关注 『宝塔面板建站』 系列，持续…
阅读更多...
Plex Media Server for Mac: 打造您的专属媒体库

Plex Media Server for Mac: 打造您的专属媒体库

在数字媒体时代，我们越来越依赖各种媒体应用来丰富我们的生活。其中，Plex Media Server for Mac以其高效、稳定和多功能性，逐渐成为了Mac用户们的首选。今天，我们就来深入探讨这款个人媒体软件的优势和应用场景。 Plex Media Serv…
阅读更多...
【Zero to One系列】微服务Hystrix的熔断器集成

【Zero to One系列】微服务Hystrix的熔断器集成

前期回顾： 【Zero to One系列】springcloud微服务集成nacos，形成分布式系统 【Zero to One系列】SpringCloud Gateway结合Nacos完成微服务的网关路由 1、hystrix依赖包 首先引入hystrix相关的依赖包，版本方面自己和项目内相对应即可&#…
阅读更多...
ABB变频器使用PROFINET IO通信协议时的输入和输出介绍

ABB变频器使用PROFINET IO通信协议时的输入和输出介绍

ABB变频器使用PROFINET IO通信协议时的输入和输出介绍 前面和大家分享了 ABB变频器使用PROFINET IO通信模块时的激活方法 本次继续和大家分享ABB变频器使用PROFINET IO通信协议时的数据输入和输出。 如下图所示，在参数号52、53中可以设置现场总线适配器的数据输入和数据输出，…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023