Windows环境下 postgresql16 增量备份及恢复

Windows下面基于pgsql15的备份和恢复 上面的方式简单是简单,但是每次备份都要重新备份整个库,库大的情况下,太过于浪费时间,推荐使用增量备份,每天进行一次归档保存,恢复的时候,只需要把基础数据恢复一次,然后逐次恢复归档数据就可以了。红色字体为说明,可看可不看归档备份的原理:PostgreSQL在执行写入操作时,对数据文件的任何修改信息,首先会写入WAL日志,然后才会对数据文件做物理修改。如果数据库服务器掉电或意外宕机,则PostgreSQL重新启动后首先会读取WAL日志,然后根据日志对数据进行恢复。 阅读详情

修改postgresql.conf

isten_addresses = '*'
wal_level = replica    
archive_mode = on
archive_command = 'copy /V  "%p"  C:\\backup\\wal_files\\%f ' 注意写法,这里有大坑
restore_command = 'copy  c:\\backup\\wal_files\\%f   "%p" '    
recovery_target_time = '2021-09-03 11:26:33.258335+08' //根据恢复的时间点改写
recovery_target_inclusive = false

建立备份文件夹

D:\backup\base_files\\存放基础备份
D:\backup\wal_files\\存放wal日志

建立基础备份

pg_basebackup.exe -p 2002 -D D:\backup\base_files -Fp  -P -v  -U liurui
2002:服务端口
D:\backup\base_files:目标文件名
liurui:连接数据库用户名

在这里插入图片描述

测试代码

select current_timestamp;\\获取当前时间戳

create table test(c1 int, c2 timestamp default current_timestamp);\\创建测试表

insert into test select generate_series(1, 1000000), clock_timestamp(); //插入100万条记录

此时wal_files、pg_wal都会同时产生日志

数据恢复

停止服务器
将data改名为data_old
复制base_files到data文件处,并改名为data,设置data 的权限为 Users组完全控制。
在data中新建recovery.signal文件
postgresql.conf 中的recovery_target_time\\修改值到需要的时间
在D:\PostgreSQL\16打开cmd
pg_env.bat
cd bin
pg_ctl -D D:\PostgreSQL\16\data start \\恢复
关闭cmd
删除在data中新建recovery.signal文件
启动服务器
【PostgreSQL备份恢复二】物理备份与恢复 pg_basebackup 是 PostgreSQL 自带的一个方便基础备份的工具,pg_basebackup是一款热备工具,这种备份是在不影响数据库的其他客户端连接的情况下进行的。 阅读详情

相关推荐

Rclone 备份全链路实战:全量、增量、加密、校验与自动化

数据备份的本质不是复制文件,而是确保任意时间点都能可靠恢复。其原理是通过全量首备、增量比对与异地传输,把本地数据同步到对象存储、SFTP 或 NAS;再结合 checksum 校验、crypt 加密和日志告警,解决一致性、安全性与可追溯问题。对运维、开发和小型工作室而言,这种方案既能降低带宽与存储成本,也能覆盖数据库导出、系统镜像、手机资料归档等场景。Rclone 正是这一链路的执行器:它用 copy、sync、dry-run 和 check 等命令,把本地目录、dump 文件与镜像安全搬运到远端,并可通过

weixin_34124651的博客 435

Wiki.js 2.5.284 与 PostgreSQL 14 性能对比:Windows 环境下的 3 项关键指标实测

本文详细对比了Wiki.js 2.5.284在Windows Server 2019环境下使用PostgreSQL 14与MySQL 5.7的性能表现。通过页面加载速度、并发编辑响应时间和数据库备份恢复效率三项关键指标的实测数据,发现PostgreSQL在各类场景下均表现更优,特别适合中大型Wiki和需要高频并发编辑的团队。

cnracht8153的博客 315

PostgreSQL部署全攻略:Linux、Docker与Windows环境安装及安全调优

数据库部署是系统架构中最基础也最关键的环节,选型与环境评估直接影响后续稳定性。PostgreSQL作为开源关系型数据库的代表,凭借强大的扩展性和可靠性,在Web应用、数据分析、企业核心系统等场景中被广泛采用。理解其版本策略与运行环境,是高效部署的前提。针对不同场景,Linux物理机适合生产环境,Docker容器适合开发测试,Windows则常用于本地调试。部署完成后,安全加固、账号权限管理和基础性能调优同样不可忽视。本文围绕PostgreSQL的安装实践,系统讲解Linux在线与离线安装、Docker容器化

weixin_29722783的博客 300

Postgresql16 全量备份,增量备份与故障恢复

4. 此时停止Postgresql ,将安装目录下的data文件删除 将全量备份的base.tar 解压到data下,将pg_wal.tar解压到data目录下的pg_wal目录下 在data目录新建 recovery.signal 文件 启用恢复模式 随后启动Postgresql。restore_command = 'copy "E:\\pg_backup\\wal_backup\\%f" "%p"' #恢复命令 从备份的wal目录中恢复自上一次全量备份后的更改。

u013103931的博客 1194

PostgreSQL 18 Windows部署与性能优化指南

关系型数据库作为企业核心数据存储方案,PostgreSQL凭借其开源特性与强大功能成为主流选择。最新18版本在查询优化器和并行处理方面有显著改进,特别适合OLTP和OLAP混合场景。在Windows平台部署时,需要针对I/O调度、内存管理和服务配置进行特殊优化,包括调整shared_buffers、work_mem等核心参数,以及优化WAL日志和备份策略。通过合理配置连接池和监控体系,可以确保数据库在高并发下的稳定运行。本文结合金融级实践,详解从安装部署到性能调优的全流程,帮助开发者掌握PostgreSQL

weixin_32466193的博客 198

Veeam ONE 13安装避坑指南:PostgreSQL与Windows Server关键配置

Veeam ONE作为企业级虚拟化统一监控平台,其稳定运行高度依赖后端数据库与操作系统底层协同。PostgreSQL不仅是Veeam ONE 13强制指定的唯一数据库引擎,更因其JSONB支持、时间序列优化等特性成为性能基石;而Windows Server 2019/2022虽为官方支持系统,却在Defender策略、WMI服务、DNS缓存、IIS模块等层面存在隐蔽兼容性陷阱。技术价值在于规避‘静默断点’——如.NET Framework未启用、pgBouncer缺失导致连接耗尽、证书算法过时引发Web U

weixin_33816300的博客 341

windows备份postgresql数据库bat脚本

【代码】windows备份postgresql数据库bat脚本。

qq_26772309的博客 478

《深入掌握PostgreSQL数据库》 - 专栏介绍和目录

本专栏系统讲解PostgreSQL数据库的全栈知识,涵盖基础入门到高级实战。内容分为语言基础与进阶、核心原理、高可用架构、性能优化、运维管理、扩展开发等多个模块。从安装配置、数据类型选择到窗口函数、CTE等高级特性,再到索引优化、执行计划分析等性能调优技巧,全面解析PostgreSQL的核心功能。同时深入探讨MVCC机制、WAL日志、并发控制等底层原理,并分享高可用架构设计、备份恢复等运维实践。适合各层次开发者系统学习PostgreSQL,掌握这一强大开源数据库的关键技术。

数据知道的博客 3466

Windows下PostgreSQL数据库的备份与恢复

示例:pg_dump -hlocalhost -U postgres -p 5432 -d mdx -f “E:/mdx_bak.dmp”示例:psql -h localhost -U postgres -d test -f “E:\mdx_bak.dmp”如果想备份数据库,PostgreSQL自带的执行程序pg_dump.exe.在文件目录下,输入cmd,回车。如果要导出大对象需要加上“-b”在文件目录下,输入cmd,回车。-U:这里的“U”,用户名。-f:文件输出的目录和名称。

weixin_66484088的博客 4492

Oracle EBS R12.2 安装 -- Step by Step

Oracle EBS R12.2 安装 -- Step by Step

Albert Tan DBA之路 1516

ArcGIS供地图斑图形及属性入库操作(附练习数据)

已知数据: 供地图斑位置图。 供地图斑表格 成果要求:将供地图斑导入mdb数据库并将供地图斑表格的属性进行挂接。 接下来我们开始操作: 1、 打开arcmap,在目录内连接的文件夹内找到供地图斑位置图。图片 2、 将annotation和polygon添加到arcmap图片 3、 右击文件所在文件夹新建mdb数据库图片 4、 右击数据库新建要素数据集。(要素数据集非常重要,稍后所有操作都在数据集内进行)选择图斑投影方式及代号。图片 5、 右击要素数据集—导入(将图层内的数据导入数据库)图片 6、 数据导入.

qq_43173805的博客 8133

postgresql13定时备份,增量备份 liunx/windows10

postgresql定时备份,增量备份 ** 注: 1. 以下命令大都是root用户登录输入,有问题请查看是否是权限问题 2.中文为方便理解,实际操作不要在里面写中文 3.路径请根据对应数据库安装位置修改 ** 一: 开启日志归档 1: 配置文件修改 vim /home/postgresql/bin/postgresql.conf #开启日志归档 wal_level = replica archive_mode = on #归档日志压缩存入 /home/postgresql/db/back/ %f是文件

qingjiu6664的博客 2165

2025.06.20【pacbio】|PB甲基化分析结果的统计与可视化介绍

本文介绍了PacBio甲基化数据的统计分析与可视化方法。主要内容包括:1) 分析甲基化位点分布、比例及染色体分布;2) 修饰基序(Motif)的统计与热图展示;3) 全基因组和局部区域测序深度可视化;4) 使用IGV查看单个reads修饰情况。文章提供了R代码示例,涵盖柱状图、分布图、热图等多种可视化形式,并建议了差异甲基化分析等进阶方法,帮助科研人员深入挖掘甲基化数据。

2067

PostgreSQL基础备份_增量备份与任意点恢复

PostgreSQL基础备份_增量备份与任意点恢复 背景 备份是恢复的前提。不发生故障时,世界很太平,但发生故障时,如果不能顺利进行恢复,那将是一场噩梦!甚至可能对于企业是致命打击,这绝对不是危言耸听! 日常的备份有效性的检查就显得尤其重要,一个无效的备份集和没有备份是一样的,例如备份文件无法解压,或者存储备份的介质损坏等等。除了制定备份恢复策略,还应该制定一套定期、定时的恢复测试方案。我们在恢复测试中,应该考量恢复需要花费的时间,日常测试时,也应该记录和统计恢复花费的时间,如果恢复时间太长,还.

fqfq123456的专栏 720

过程挖掘(Process Mining)1——始于颜值

下周开始每周1-2篇的过程挖掘分享 过程挖掘是什么? 过程挖掘与过程管理的关系? 过程挖掘与数据挖掘的关系? 管理学还是计算机科学?

hyhy12580的博客 6236

UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-4: ordinal not in range(128)

python3报错处理:UnicodeEncodeError: ‘ascii’ codec can’t encode characters in position 0-4: ordinal not in range(128) 一、报错场景 // 报错代码 Traceback (most recent call last): File "test_autoo3_2.py", line 214, in <module> main() File "test_autoo3_2.py",

浪里小飞侠的博客 4203

Rclone 备份全链路:配置、参数、自动化与恢复校验

文件同步与备份的核心,是在不同存储之间可靠识别增量、传输变更并保留可恢复历史。Rclone 把对象存储、SFTP、WebDAV、本地磁盘统一抽象为 remote,用 copy 与 sync 区分只增不删和镜像删除,再通过时间戳、大小、哈希校验判断是否重传;配合 --backup-dir、--checksum、--dry-run 等参数,可兼顾效率与安全。相比 rsync 依赖两端 shell,它更常用于云存储、跨网络和多后端搬运。典型场景包括服务器文件级备份、NAS 归档、数据库逻辑导出文件同步。围绕安装配

weixin_34021089的博客 437

SPD-Conv+YOLOv8:空间深度转换卷积赋能小目标检测,从原理到实战的科研级优化指南

从理解SPD-Conv“空间到深度+逐步卷积”的核心设计,到亲手将其嵌入YOLOv8并验证在小目标场景的表现,再到基于此探索属于自己的科研与工程方向——这个过程能让你深刻理解“小目标特征保留”在检测任务中的核心价值。现在就开始行动,相信你会在小目标检测的“细节捕捉”之路上,走出一条属于自己的技术路径。实验通常会证明:嵌入SPD-Conv后,YOLOv8在小目标AP上提升5-8个百分点,mAP50-95提升3-5个百分点,而推理速度仅下降5%以内,充分体现了其“保细节+提精度”的优势。

m0_64661770的博客 163

告别删库跑路:如何将Linux服务器的PG数据库无缝备份到Windows

摘要:本文详细介绍了如何在企业IT架构中实现PostgreSQL数据库从Linux服务器到Windows存储服务器的跨平台备份方案。通过实战操作与理论分析相结合的方式,文章首先演示了建立"每日全量+实时WAL日志"备份系统的具体步骤,包括Windows共享配置、Linux挂载设置、PostgreSQL归档参数调整等关键技术环节。随后深入解析了CIFS/SMB协议的工作原理、权限映射机制、PITR恢复架构的优势以及WAL日志的核心原理。这套方案突破了操作系统差异的限制,为企业提供了高可靠、

gygkhd的博客 392

RK3568平台YOLOv11模型部署全流程实战:环境搭建、模型转换与性能优化解析

在AI边缘计算领域,瑞芯微RK3568芯片凭借其强大的NPU算力和丰富的接口资源,成为了众多开发者的首选平台。然而,瑞芯微官方文档虽然提供了YOLO11预训练模型的部署方案,但对于需要自定义数据集训练的开发者来说,从模型训练到板端部署的完整流程却缺乏详细指导。本文将带你走完从环境搭建、数据准备、模型训练到最终板端部署的完整技术路线,并分享实际开发中遇到的各种坑点和解决方案。让我们一起探索如何在RK3568平台上实现30FPS稳定推理的YOLO11目标检测应用!

LXY_LOVE36的博客 123

64.企业级案例(上)-金融行业DDD落地全流程支付系统-附架构演进图

本文以金融支付系统为例,完整展示了DDD在企业级项目中的落地流程。首先通过事件风暴识别核心业务领域,包括交易、渠道、账务等限界上下文。在战略设计中划分上下文边界,确定交易上下文为核心域。战术设计聚焦交易上下文,详细设计了支付单聚合、值对象和支付路由服务。架构实现采用CQRS+EDA模式,通过命令端处理交易,查询端异步更新读模型,并利用防腐层隔离外部渠道。案例展示了DDD从业务探索到架构实现的全过程,体现了其在复杂业务系统中的价值。

yonggeit的博客 3042

Windows下PostgreSQL安装pgvector扩展与向量检索实战

向量检索是大模型应用、RAG、语义搜索等场景中的基础能力,其本质是将文本或图片通过嵌入模型转换为高维向量,再进行近邻查询。PostgreSQL 通过扩展 pgvector 原生支持向量类型与相似度检索,使开发者无需引入独立向量数据库,即可复用成熟的 SQL、事务和备份生态,降低架构复杂度。在 Linux 上安装 pgvector 只需 make install,但在 Windows 环境下,由于官方发行版不含该扩展且源码编译依赖 GNU 工具链,往往需要手动复制 DLL、SQL 文件或使用预编译包。聚焦 W

weixin_34342905的博客 231

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Ubuntu 16.04 安装 PostgreSQL 9.5 实战指南:apt 原理与安全连接配置

PostgreSQL 是一款功能完备的开源关系型数据库,其部署依赖操作系统底层包管理机制。在 Ubuntu 系统中,APT 不仅是安装工具,更是基于 Debian 依赖图谱的二进制包协调器,涉及元数据校验、GPG 签名验证与服务初始化链路。理解 apt 工作原理和 postgresql 安装约束,是实现稳定连接与权限管控的基础。尤其在 Ubuntu 16.04 这类已结束支持但仍在工控、教育等场景广泛使用的 LTS 版本中,必须严格遵循官方源提供的 PostgreSQL 9.5 版本,规避手动混装导致的协议

weixin_30652897的博客 418

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

开源备份方案替代NetBackup:小团队数据备份的降本增效实践

数据备份是企业IT运维的基石,但传统企业级备份软件往往按大型数据中心体量设计,授权费、硬件配置和人力维护成本居高不下,对个人及小团队极不友好。备份的真正价值在于恢复,核心原理是结合全量、增量与去重压缩技术,在保障数据一致性的同时降低存储占用。开源备份工具凭借灵活性强、可脚本化、无许可束缚等优势,成为轻量级环境的高性价比选择。无论是单机目录、数据库导出还是虚拟机整机保护,通过Borg、Restic、Proxmox Backup Server等工具的合理组合,即可实现小时级备份与异地容灾,并建立定期恢复演练机制

weixin_34265814的博客 288

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

数据备份的救星:如何用Restic构建企业级安全备份系统

你是否经历过服务器崩溃导致数据永久丢失的噩梦?或是勒索病毒加密了所有重要文件?在数字时代,数据安全不再是可有可无的选项,而是企业生存的底线。Restic作为一款现代化、安全高效的备份工具,正是为解决这些痛点而生。本文面向系统管理员、DevOps工程师和数据安全负责人,提供从零开始构建企业级备份系统的完整方案。 ## 为什么传统备份方案总在关键时刻掉链子? 传统备份工具往往面临三大挑战:备份速度

gitblog_00372的博客 800
上一篇: 使用Qt for android 获取android PDA设备扫码数据并连接https服务器
下一篇: Postgres 多实例实例部署方式(Windows)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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