Percona Toolkit 神器全攻略

GreatSQL社区 GreatSQL社区 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 708平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-08-11 13:49:49 发布 708 阅读 AI 写同款· GEO 优化 ›
MySQL管理工具集深度解析：从选型到实战场景全攻略 MySQL管理工具选型与实战指南 本文系统分析了主流MySQL管理工具的特点与适用场景。phpMyAdmin适合轻量级Web管理，Workbench提供官方全功能支持，HeidiSQL是Windows开发者首选，Dbeaver可实现跨数据库管理，Navicat适合企业级应用，Percona Toolkit专精运维诊断。文章给出了选型决策树，建议初创团队使用免费组合(phpMyAdmin+HeidiSQL)，中大型企业选择Navicat+Percona Toolkit方案。未来趋势包括云原生集成、AI辅助优化 阅读详情

Percona Toolkit 神器全攻略

file

Percona Toolkit 神器全攻略系列共八篇分为

文章名文章名
Percona Toolkit 神器全攻略Percona Toolkit 神器全攻略（实用类）
Percona Toolkit 神器全攻略（配置类）Percona Toolkit 神器全攻略（监控类）
Percona Toolkit 神器全攻略（系统类）Percona Toolkit 神器全攻略（开发类）
Percona Toolkit 神器全攻略（复制类）Percona Toolkit 神器全攻略（性能类）

全文约定：$为命令提示符、greatsql>为GreatSQL数据库提示符。在后续阅读中，依据此约定进行理解与操作

Percona Toolkit 简介

Percona Toolkit简称（PT工具），是一组高级命令行工具，用于管理MySQL/GreatSQL的工具。可以用它来执行各种难以手动执行的MySQL/GreatSQL和系统任务。其功能包括检查主从复制的数据一致性、检查重复索引、定位IO占用高的表文件、在线DDL等，DBA熟悉掌握PT工具后将极大提高工作效率。

本系列只介绍和探讨Percona Toolkit中针对MySQL/GreatSQL数据库的实用工具

Percona Toolkit 安装

本系列所使用环境如下

名称配置
操作系统Linux myarch 6.6.3-arch1-1 x86_64 GNU/Linux
GNU Libcldd (GNU libc) 2.38
数据库GreatSQL 8.0.32-25, Release 25, Revision 79f57097e3f

使用包管理器安装

  • 对于 Debian 或 Ubuntu：

    $ sudo apt-get install percona-toolkit

  • 对于 RHEL 或 CentOS：

     $ sudo yum install percona-toolkit

包管理器安装较为简单，这里就不做示范

使用TAR包安装

前往➥https://www.percona.com/downloads，选择合适的版本下载Percona Toolkit

选择合适自己的CPU架构和操作系统版本Percona Toolkit包

file

创建文件夹pt，将下载的安装包保存于此，并检查sha256sum码，确保完整性

$ mkdir /usr/local/pt
$ sha256sum -c percona-toolkit-3.5.7_x86_64.tar.gz.sha256sum
percona-toolkit-3.5.7_x86_64.tar.gz: OK

解压文件，并添加到环境变量

$ tar -xvf percona-toolkit-3.5.7_x86_64.tar.gz
$ echo 'export PATH=/usr/local/pt/percona-toolkit-3.5.7/bin:$PATH' >> ~/.bash_profile
$ source ~/.bash_profile

随机选择一个工具查看版本号，确认安装成功

$ pt-online-schema-change --version
pt-online-schema-change 3.5.7

使用RPM包安装

以下示范环境为 Centos7 - X86_64架构 - ldd (GNU libc) 2.17

下载好3.5.7版本的Centos7 RPM包

$ ls
percona-toolkit-3.5.7-1.el7.x86_64.rpm

使用rpm命令安装Percona Toolkit，如果此时有报缺失依赖，用YUM安装即可

$ rpm -ivh --nodeps percona-toolkit-3.5.7-1.el7.x86_64.rpm

随机选择一个工具查看版本号，确认安装成功

$ pt-online-schema-change --version
pt-online-schema-change 3.5.7

Percona Toolkit 包含的工具

3.5.7版本Percona Toolkit工具拥有39个工具，将这39个工具分为七大类(实用类、配置类、监控类、系统类、开发类、复制类、性能类）

$ ls
pt-align                  pt-fingerprint           pt-mext                  pt-query-digest    pt-summary
pt-archiver               pt-fk-error-logger       pt-mongodb-index-check   pt-secure-collect  pt-table-checksum
pt-config-diff            pt-galera-log-explainer  pt-mongodb-query-digest  pt-show-grants     pt-table-sync
pt-deadlock-logger        pt-heartbeat             pt-mongodb-summary       pt-sift            pt-table-usage
pt-diskstats              pt-index-usage           pt-mysql-summary         pt-slave-delay     pt-upgrade
pt-duplicate-key-checker  pt-ioprofile             pt-online-schema-change  pt-slave-find      pt-variable-advisor
pt-fifo-split             pt-k8s-debug-collector   pt-pg-summary            pt-slave-restart   pt-visual-explain
pt-find                   pt-kill                  pt-pmp                   pt-stalk`

实用类

工具命令工具用途
pt-align将其它工具输出内容与列对齐
pt-archiver将表中的行存档到另一个表或文件中
pt-find查找表并执行命令
pt-fingerprint将查询转成密文
pt-killKill掉符合条件的SQL
pt-k8s-debug-collector从 k8s/OpenShift 集群收集调试数据（日志、资源状态等）
pt-secure-collect收集、清理、打包和加密数据

配置类

工具命令工具描述
pt-config-diff比较数据库配置文件和参数
pt-mysql-summary对GreatSQL/MySQL配置和STATUS进行汇总
pt-variable-advisor分析参数，并提出建议

监控类

工具命令工具描述
pt-deadlock-logger提取和记录GreatSQL/MySQL死锁
pt-fk-error-logger提取和记录外键信息
pt-mext并行查看STATUS样本信息
pt-query-digest分析查询日志，并产生报告
pt-mongodb-summary收集有关 MongoDB 集群的信息
pt-pg-summary收集有关 PostgreSQL 集群的信息

系统类

工具命令工具描述
pt-diskstats查看系统磁盘状态
pt-fifo-split模拟切割文件并输出
pt-ioprofile查询进程IO并打印一个IO活动表
pt-sift浏览由pt-stalk创建的文件
pt-stalk出现问题时，收集诊断数据
pt-summary收集和显示系统概况

开发类

工具命令工具描述
pt-duplicate-key-checker列出并删除重复的索引和外键
pt-online-schema-change在线修改表结构
pt-show-grants规范化和打印权限
pt-upgrade在多个服务器上执行查询，并比较不同

复制类

工具命令工具描述
pt-heartbeat监控GreatSQL/MySQL复制延迟
pt-slave-delay设定从落后主的时间
pt-slave-find查找和打印所有GreatSQL/MySQL复制层级关系
pt-slave-restart监控Salve错误，并尝试重启Salve
pt-table-checksum校验主从复制一致性
pt-table-sync高效同步表数据
pt-galera-log-explainer对多个Galera日志进行过滤、聚合和汇总

性能类

工具命令工具描述
pt-index-usage分析日志中索引使用情况，并出报告
pt-pmp查询结果跟踪，并汇总跟踪结果
pt-table-usage分析日志中查询并分析表使用情况
pt-visual-explain格式化执行计划
pt-mongodb-index-checkMongoDB 索引执行检查
pt-mongodb-query-digest通过聚合来自 MongoDB 查询分析器的查询来报告查询使用统计信息

接下来的章节中将对这七类的工具进行详细讲解 :)

Enjoy GreatSQL :)

关于 GreatSQL

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。

相关链接： GreatSQL社区 Gitee GitHub Bilibili

GreatSQL社区：

image

社区有奖建议反馈： https://greatsql.cn/thread-54-1-1.html

社区博客有奖征稿详情： https://greatsql.cn/thread-100-1-1.html

（对文章有疑问或者有独到见解都可以去社区官网提出或分享哦~）

技术交流群：

微信&QQ群：

QQ群：533341697

微信群：添加GreatSQL社区助手（微信号：wanlidbc ）好友，待社区助手拉您进群。

标签
#GreatSQL #MySQL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
VScode高效开发STM32：头文件路径配置全解析 本文详细解析了在VScode中高效开发STM32项目的核心步骤——头文件路径配置。针对常见的“找不到头文件”问题，文章深入剖析了IntelliSense的工作原理，并提供了手把手创建和解读c_cpp_properties.json配置文件的完整指南，包括includePath、defines、compilerPath等关键项的设置，帮助开发者彻底解决红色波浪线错误，实现精准的代码提示与跳转。 阅读详情

相关推荐

基础矩阵、本质矩阵、单应矩阵

基础矩阵是一个 3×3 的秩为2的矩阵，用于描述两个不同视图（或称为图像）之间对应点的几何约束。更具体地说，如果你有两幅图像，分别从两个不同的相机或者相机位置拍摄，那么基础矩阵可以用于找到一个图像中的点在另一个图像中的对应点。本质矩阵也是一个 3×3 的秩为2的矩阵，与基础矩阵非常类似。当两个视图（图像）之间的场景是一个平面或者两个视图之间仅有旋转和平移时，可以使用单应矩阵来关联这两个视图。这三个矩阵都是在计算机视觉中广泛应用的基础工具，但它们适用于不同类型的视图和场景。给定两个图像中的一对对应点。

Gloamirror的博客 1329

Percona Toolkit安装

TIPS 本文基于Percona Toolkit 3.2.0，理论支持所有版本。 Percona Toolkit是一款MySQL世界里面非常实用的工具套件，本文来探讨如何安装它。 工具列表 pt-align ：对齐其他工具的输出 pt-archiver ：将数据归档到其他表或文件 pt-config-diff ：比较配置文件和变量 pt-deadlock-logger ：记录MySQL死锁 pt-diskstats ：交互式IO监控工具 pt-duplicate-key-checker ：找到重复的索.

简单随风的博客 2370

基于OFDM的实时图像传输系统MATLAB仿真：MPSK与MQAM调制性能对比与误码率分析

本文详细介绍了基于OFDM的实时图像传输系统在MATLAB中的仿真实现，重点对比了MPSK与MQAM调制方式的性能差异与误码率分析。通过搭建OFDM系统模型，探讨了QPSK和16QAM在不同信道条件下的表现，包括频谱效率、抗噪能力和误码率等关键指标。文章还提供了MATLAB代码示例和实用技巧，帮助读者快速掌握OFDM图像传输系统的核心算法与优化方法。

weixin_29064009的博客 355

Percona Toolkit mysql辅助利器

1 PT介绍 Percona Toolkit简称pt工具—PT-Tools，是Percona公司开发用于管理MySQL的工具，功能包括检查主从复制的数据一致性、检查重复索引、定位IO占用高的表文件、在线DDL等，DBA熟悉掌握后将极大提高工作效率。 2 PT 安装 下载地址 ：https://www.percona.com/downloads/percona-toolkit/ 下载完...

weixin_33847182的博客 1356

Anchor graph 对齐文献解读

Align then Fusion: Generalized Large-scale Multi-view Clustering with Anchor Matching Correspondences文献解读

atease0001的博客 1165

突破Cloudflare 5秒盾！Python爬虫+GPT分析JS混淆实战（附完整代码）

这篇文章的核心观点其实不是“怎么过CF”，而是如何把LLM嵌入逆向工程的工作流。AI不会取代逆向工程师，但它正在重新定义逆向工程师的工作方式。过去我们80%的时间花在读懂混淆代码上，现在这部分可以外包给GPT，我们把精力集中在架构判断、异常处理和系统设计这些真正需要人类直觉的地方。技术会变，CF的防护会升级，GPT的能力也会迭代。但这种“人机协作拆解复杂问题”的方法论，比任何具体的绕过技巧都更有长期价值。参考资料Cloudflare Bot Management官方文档。

专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。 535

Percona Toolkit 神器全攻略（配置类）

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。打印出来GreatSQL/MySQL的描述信息，包括：版本信息，数据目录，命令的统计，用户，数据库以及复制等信息还包括各个变量（status、variables）信息和各个变量的比例信息，还有配置文件等信息。因此，它显示了生成报告时计数器每秒增长的速度。

GreatSQL2021的博客 1297

★教程2:fpga学习教程入门100例目录【含程序操作讲解视频】

★基础入门 1.FPGA开发软件安装

FPGA/MATLAB学习教程/源码/项目合作开发 7万+

PERCONA-TOOLKIT 安装 使用

PERCONA-TOOLKIT 安装 使用 官网：https://www.percona.com/downloads/percona-toolkit/LATEST/ percona-toolkit是一组高级命令行工具的集合，可以查看当前服务的摘要信息，磁盘检测，分析慢查询日志，查找重复索引，实现表同步等等。 这个工具套件对DBA及运维人员着实不可多得 Server 192.168.88.8 主 S...

爱吃鱼的小明的博客 4627

30 中望CAD二次开发（ZRX C++）-windows下的qt开发

本文介绍了中望CAD在windows下，如何使用qt开发插件界面，给出了具体的编码步骤，并生成了模态对话框和非模态对话框，其中非模态对话框可以调用CAD命令，实现交互操作。

cilvsuanna的博客 189

海洋浮游生物识海洋浮游生物识别系统：基于YOLOv10的显微图像自动检测与UI别系统：基于海洋浮游生物识别系统：基于YOLOv10的显微图像自动检测与UI展示YOLOv10的显微图像自动检测与UI展示

本文介绍了如何利用YOLOv10模型进行海洋浮游生物的自动识别，旨在提高传统显微镜观测的效率与准确性。研究背景强调了浮游生物在海洋生态系统中的重要性，并指出传统方法的局限性。数据集选用WHOI-Plankton，包含70多种浮游生物的20000多张带标签图像。文章详细描述了YOLOv10模型的安装、数据集配置、训练与测试步骤，并提供了基于PyQt5的图形化检测界面代码。结果显示，模型在精度、召回率和mAP@0.5等指标上表现优异，推理速度达到约30 FPS。最后，文章提出了部署建议和未来优化方向，如集成摄像

YOLO 376

Percona Data Recovery Tool 单表恢复

前几天写过update或者delete忘加where条件的数据恢复。今天介绍一款开源的MySQL数据库InnoDB数据恢复工具：innodb-tools，它通过从原始数据文件中提取表的行记录，实现从丢失的或者被毁坏的MyS...

ciqxcl15963093886的博客 374

利用AWVS进行反制

awvs 10.5下载 http://www.32r.com/soft/12986.html

渗透之路，攻防之间皆学问 6653

Percona Toolkit 神器全攻略（复制类）

用来监测主从延迟的情况，此工具的设计为向 Master 中插入一条带有当前时间（GreatSQL中的now()函数）的记录到心跳表中，然后，该记录会复制到 Slave 中。GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。输出的结果为：实时延迟，[1分钟延迟，5分钟延迟，15分钟延迟] 主节点的Server_id。

GreatSQL2021的博客 1436

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

Percona Toolkit 神器全攻略（实用类）

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。pt-kill可以Kill掉任何语句，特别出现大量的阻塞，死锁，或某个有问题的SQL导致MySQL/GreatSQL负载很高的情况。会默认过滤掉复制线程。该工具首先计算每行包含的单词数量，并尝试确定是否有一个占主导地位的数字，将其假设为每行的单词数量。

GreatSQL2021的博客 1119

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Percona Toolkit 神器全攻略（性能类）

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。过读取日志(例如：慢查询日志)中的查询语句，然后分析语句是如何使用表的，即：表之间的数据流向。indexes：此表包含了数据库中所有表的索引信息。它记录了每个表的索引名称、列、类型等。进程的堆栈信息是通过gdb获取的，所以在获取过程中，会对数据库的性能有一定的影响。

GreatSQL2021的博客 1220

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

Percona Toolkit 神器全攻略（开发类）

Percona Toolkit 神器全攻略（开发类） Percona Toolkit 神器全攻略系列共八篇，前文回顾： 前文回顾 Percona Toolkit 神器全攻略 Percona Toolkit 神器全攻略（实用类） Percona Toolkit 神器全攻略（配置类） Percona...

weixin_41474971的博客 206

Percona Toolkit 神器全攻略（监控类）

pt-query-digest是用于分析 MySQL/GreatSQL 慢查询的一个工具，它可以分析Binlog、General log、Slowlog，也可以通过SHOWPROCESSLIST或者通过tcpdump抓取的 MySQL/GreatSQL 协议数据来进行分析。可以把分析结果输出到文件中，分析过程是先对查询语句的条件进行参数化，然后对参数化以后的查询进行分组统计，统计出各查询的执行时间、次数、占比等，可以借助分析结果找出问题进行优化。中的84是采样的初始值，后面的0是每两个采样点的差异值。

GreatSQL2021的博客 1244

Percona Toolkit 神器全攻略（系统类）

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。接下来就可以把这些切割后的文件导入到 GreatSQL 数据库中了，此时可以用 GreatSQL 的并行LOAD DATA特性，最大导入的加速比大概为20倍。且可以分析从另一台机器收集的样本。命令产生的文件内容，并生产概要信息，然后通过输入不同的命令查看不同的内容。

GreatSQL2021的博客 1314

DBA效率革命：Percona Toolkit自动化运维全攻略

我最喜欢它的安全机制，默认会先dry-run展示变更，确认无误才真正执行。它的在线编辑器支持直接运行Percona Toolkit命令，还能一键部署Web界面原型，省去了本地搭建测试环境的麻烦。比起简单的DELETE，它能控制事务大小避免锁表，还能实时监控进度，归档的同时不影响线上查询。对已知的常见问题编写了自动修复策略。整合Celery实现定时任务，比如每天凌晨低峰期自动跑checksum，发现异常自动触发sync修复。自动化不是要完全取代人工，而是把DBA从重复劳动中解放出来，专注于更有价值的工作。

GreyWolf12的博客 762

SQL工具全攻略：从入门到精通，数据分析师与开发者的效率利器

SQL作为数据领域的核心语言，是操作和查询数据库的通用标准。其工作原理是通过声明式语法，将用户的数据需求转化为数据库系统可执行的指令，实现对数据的增删改查与复杂分析。掌握SQL的价值在于能够高效、精准地从海量数据中提取信息，支撑业务决策、应用开发和系统优化。在数据分析、后端开发、数据仓库构建等应用场景中，SQL能力直接影响工作效率与成果质量。而一款优秀的SQL工具，如DBeaver或DataGrip，能通过智能补全、执行计划可视化等功能，显著提升SQL编写与调试效率，是数据工作者从“会写”迈向“高效”的关键

weixin_30527423的博客 287

MySQL大表结构修改神器：pt-online-schema-change（pt-osc）全攻略

在MySQL数据库运维中，修改大表结构是一个经典痛点——传统ALTER TABLE命令会锁表（尤其是InnoDB引擎在MySQL 5.7及更早版本），导致业务读写阻塞、服务不可用。为解决这一问题，Percona Toolkit提供的pt-online-schema-change（简称pt-osc）工具应运而生，它能在不锁表的前提下安全修改表结构。本文将从工具选型、环境准备、原理解析到实操避坑，全面讲解pt-osc的使用。

专注Java和MySQL领域知识分享 1915

GreatSQL社区2024年全年总结（免费领红包封面）

* GreatSQL社区原创内容未经授权不得随意使用，转载请联系小编并注明来源。社区2024年总结GreatSQL 社区在2024年度上持续迈进，成果斐然。一方面，开放了 GreatSQL 单机版以及三节点 MGR 集群的在线测试体验环境，让用户能够在线体验各种 GreatSQL 创新特性。另一方面，社区手册也持续更新，方便用户查阅。同时，社区积极拓展教育合作领域，成功走进郑州大学，联合开设 “G...

老叶茶馆 195

安装Percona Toolkit时报错的解决方式

[root@280506 FCGI-0.74]# perl Makefile.PLCan't locate ExtUtils/MakeMaker.pm in @INC (@INC contains: /usr/local/lib64/perl5 /usr/local/share/perl5 /usr/lib64/perl5/vendor_perl /usr/share/perl.

yimenglin的博客 339
上一篇： GreatSQL数据库DROP表后无法重建
下一篇： 官答丨slow_query_log_file实例内存中变量与配置文件设置的不一致
点赞 5
评论 1
书签 书签 8
GreatSQL社区
GreatSQL社区
博客等级 码龄5年 1210粉丝 390原创
+ 关注
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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