LVM扩容避坑指南:为什么lvextend比lvresize更安全?详解底层原理与最佳实践

LVM动态扩展根分区实战 前言最近希望在工作电脑上下载android源码,但因为平时工作的电脑运行的是win7系统,无法下载android源码,所以想到了在VirtualBox上的Linux系统上下载。不过,android源码体积随着版本升高已经越来越大了,一不小心就占据了几十个G,当初在虚拟机上装的系统只预留了20G左右,并且是使用了LVM技术的,还是挂载在根分区。无奈我又不想重新装一个系统,凭着对Linux的热情和执着, 阅读详情

LVM扩容避坑指南:为什么lvextend比lvresize更安全?详解底层原理与最佳实践

如果你在Linux服务器上管理过存储,大概率接触过LVM。它提供了远超传统分区的灵活性,让你能在线调整存储空间的大小。但这份灵活性背后也藏着“陷阱”——选错了命令,轻则操作无效,重则可能导致数据丢失。很多管理员在扩容逻辑卷时,会下意识地使用lvresize,毕竟它的名字“resize”听起来更通用。然而,在单纯的扩容场景下,lvextend才是那个更安全、更“纯粹”的选择。这不仅仅是命令名称的差异,其背后是LVM底层设计哲学和风险控制逻辑的体现。今天,我们就深入LVM的“五脏六腑”,看看这两个命令在元数据操作、PE/LE映射以及安全边界上究竟有何不同,并为你梳理出一套清晰、可落地的操作最佳实践。

1. 理解LVM的核心:从物理块到逻辑视图的映射

要真正理解lvextend和lvresize的差异,我们必须先回到LVM的基石——它的分层存储模型。LVM的魅力在于它抽象了物理存储的复杂性,但这份抽象也带来了操作的复杂性。

1.1 LVM的三层架构与关键数据结构

LVM将存储管理分为清晰的三层:物理卷(PV)、卷组(VG) 和逻辑卷(LV)。每一层都有其核心的数据结构在支撑。

  • 物理卷(PV)与物理盘区(PE):这是存储的物理基础。一块硬盘或一个分区被初始化为PV后,会被切割成许多大小固定的块,称为物理盘区。默认大小是4MB,这个值在创建VG时决定。你可以把它想象成仓库里一个个标准尺寸的货架格子。
  • 卷组(VG):PE的池化管理者:VG是一个或多个PV的集合。它接管了所有PV上的PE,形成一个统一的“存储池”。VG的元数据(metadata)会精确记录哪些PE是空闲的,哪些已经分配给了某个LV。这个元数据至关重要,它通常会在VG中的每个PV头部保存一份副本,并在/etc/lvm目录下留有备份。
  • 逻辑卷(LV)与逻辑盘区(LE):LV是最终呈现给操作系统和文件系统使用的“虚拟磁盘”。它由一系列逻辑盘区组成。关键点来了:每一个LE都会一对一地映射到一个具体的PE上。这种映射关系是LVM实现灵活性的核心。

为了更直观地理解这三层关系,我们可以看下面这个简化的映射表:

层级核心单元作用类比
物理层物理盘区 (PE)存储数据的实际物理块仓库中的标准货架格子
池化层卷组 (VG)管理所有PE,形成存储池整个仓库的管理系统,知道每个格子的状态
逻辑层逻辑盘区 (LE)呈现给上层的逻辑存储块提货单上指定的格子编号,与物理格子一一对应

提示:LVM的元数据就像仓库的“总账本”,记录了所有VG、LV的信息,以及LE到PE的详细映射关系。任何对LV大小的调整,本质上都是在修改这本“总账本”。

1.2 扩容操作的本质:修改映射表

当我们谈论为LV“扩容”时,在LVM底层究竟发生了什么呢?过程可以概括为以下几步:

  1. 请求验证:命令首先会询问VG:“你还有多少空闲的PE?” 如果空间不足,操作会直接失败。
  2. 元数据更新:在VG的元数据中,找到目标LV的记录,增加其LE的数量。例如,LV原本有1000个LE,现在要增加100个。
  3. PE分配与映射:从VG的空闲PE列表中,取出100个空闲的PE,并建立新的LE到这些PE的映射关系。分配策略(如线性、条带化)会影响PE的选择。
  4. 通知上层:扩容完成后,LVM会通知操作系统内核,块设备变大了。但这并不等于文件系统变大了,还需要后续的文件系统扩容操作。

可以看到,核心动作是修改元数据中的LE数量,并分配新的PE建立映射。lvextend和lvresize在“扩展”时都遵循这个流程。那么,分歧点在哪里?就在于lvresize还包含了另一个方向的操作——缩减,而这引入了完全不同的风险维度。

2. lvextend vs lvresize:安全边界的根本差异

从功能列表上看,lvresize似乎更强大,因为它既能扩也能缩。但正是这种“全能”,使其在单纯扩容场景下,不如lvextend来得安全。这种安全性不是主观感觉,而是由命令的设计目标和底层行为逻辑决定的。

2.1 lvextend:专注且纯粹的“加法器”

lvextend的命令名直白地揭示了它的唯一使命:扩展(Extend)。它的设计哲学是做“加法”,而且只做加法。这种单一性带来了几重安全优势:

  • 意图明确,防止误操作:当你键入lvextend时,你已经向系统(也向你自己)明确宣告了这是扩容操作。它从根本上杜绝了因参数输入错误(例如少打一个+号)而意外触发缩减的可能性。在高压的生产环境运维中,这种命令语义的清晰性是无价的。
  • 底层逻辑简单直接:由于其功能单一,lvextend的代码路径和参数处理逻辑相对更简单、更稳定。它不需要处理复杂的缩减前检查(如文件系统已用空间判断)、PE释放、数据迁移等高风险逻辑。
  • 风险场景隔离:它不会触及“缩减”这个高危操作相关的任何代码和检查流程,从而避免了因该部分逻辑可能存在边界情况Bug而引发的意外。

一个典型的lvextend命令如下:

# 将逻辑卷 /dev/myvg/mylv 扩展,增加所有剩余空闲空间
sudo lvextend -l +100%FREE /dev/myvg/mylv

# 扩展指定大小,例如10G
sudo lvextend -L +10G /dev/myvg/mylv

# 扩展并同时调整文件系统(对于支持在线扩展的文件系统如ext4, XFS)
sudo lvextend -r -L +10G /dev/myvg/mylv

-r参数非常方便,它让lvextend自动调用相应的文件系统工具(如resize2fs或xfs_growfs)完成扩容,实现“一步到位”。

2.2 lvresize:功能强大的“双刃剑”

lvresize正如其名,用于**调整(Resize)**大小,这意味着它同时承载了扩展和缩减两种能力。这种灵活性是把双刃剑:

  • 参数敏感性极高:它的行为完全由大小参数前的+、-符号或绝对大小值决定。
    • -L +10G:增加10G。
    • -L -10G:减少10G。
    • -L 20G:将LV大小设置为20G(如果原大小为15G,则是扩展;如果原大小为25G,则是缩减)。 在脚本中或匆忙操作时,漏掉一个+号,就可能将一次预期的扩容变成灾难性的缩减。
  • 缩减操作蕴含复杂风险:缩减不仅仅是“扩展”的逆过程,它复杂得多:
    1. 文件系统兼容性:并非所有文件系统都支持在线缩减。例如,XFS文件系统不支持在线缩小。试图对XFS的LV使用lvresize -r进行缩减会失败。
    2. 数据安全校验:缩减前,必须确保目标尺寸大于文件系统当前已使用的空间。这个检查责任部分落在了用户身上,即使使用-r参数,某些场景下也可能出错。
    3. PE释放与数据迁移:如果LV使用的PE不是连续分配的,或者涉及镜像、条带等复杂布局,缩减时的PE释放和剩余数据的重新组织过程比扩容时的简单分配要复杂,理论上出现问题的概率更高。

注意:使用lvresize进行缩减,尤其是没有-r参数时,操作顺序极其关键:必须先手动缩小文件系统,然后再缩小逻辑卷。顺序颠倒意味着文件系统感知到的磁盘空间突然“消失”,必然导致数据损坏甚至文件系统崩溃。

2.3 核心差异对比表

为了更清晰地展示两者的区别,我们将关键点对比如下:

特性维度lvextendlvresize
核心功能仅扩展扩展与缩减
设计哲学单一职责,专注扩容多功能集成,灵活调整
操作风险低。仅涉及空间增加,无数据丢失风险(在文件系统扩容前)。高。尤其缩减时,涉及复杂检查、数据移动和文件系统操作,误操作风险大。
参数误操作风险极低。命令本身不支持缩减语义。高。+/-符号或绝对大小的误写会直接导致相反操作。
与文件系统联动 (-r)仅支持扩展文件系统。支持扩展,对部分文件系统(如ext4)支持缩减。
适用场景所有单纯的逻辑卷扩容场景。1. 需要缩减逻辑卷的场景。
2. 需要动态调整(可能包含缩减)的自动化脚本中。
推荐度扩容时的首选和默认命令。仅在明确需要缩减时使用,并需极度谨慎。

从对比中可以明确看出,lvextend在扩容场景下提供了更窄的“攻击面”和更明确的操作语义,这正是其更安全的根本原因。

3. 从元数据视角看命令执行的内幕

让我们再深入一层,看看这两个命令在执行时,是如何与LVM的“总账本”——元数据——进行交互的。这能帮助我们理解为什么lvextend的行为更可预测。

LVM的元数据存储在两个主要位置:

  1. 磁盘上:在每个PV的头部,以及VGDA(卷组描述符区域)中。
  2. 系统上:在/etc/lvm/backup/和/etc/lvm/archive/目录下,以文本形式备份。

当执行扩容操作时,无论是lvextend还是lvresize,都会遵循以下步骤修改元数据:

  1. 锁定与加载:命令会锁定相关的VG,防止并发修改,然后将VG的元数据从磁盘加载到内存。
  2. 空间校验:在内存中的元数据里查找空闲PE列表,确认请求的空间是否可用。
  3. 元数据更新:
    • 在LV的元数据条目中,增加lv_size字段值和le_count(逻辑盘区数量)字段值。
    • 在VG的空闲PE列表中,移除相应数量的PE。
    • 在LV的段(segment)映射表中,新增一条记录,将新增加的LE映射到刚分配的那些PE上。这个过程对于lvextend来说是追加(Append) 新段。
  4. 元数据提交与持久化:将修改后的内存元数据写回磁盘上的VGDA,并更新/etc/lvm目录下的备份。最后释放VG锁。

关键差异点在于第3步的“意图”和后续操作:

  • 对于lvextend,元数据修改的逻辑路径是唯一的、为扩展优化的。它只处理“增加段”这一种情况。
  • 对于lvresize,其代码内部必须首先解析用户的意图:是扩还是缩?如果是缩,它需要执行一系列额外的、复杂的检查:
    • 计算需要释放的PE属于哪些段。
    • 检查这些段是否可以被安全移除(例如,不能从镜像的中间移除)。
    • 如果使用了-r参数,它还需要在修改LVM元数据之前,与文件系统交互进行缩减。

这种额外的意图判断和复杂路径,就是潜在风险的来源。lvextend通过摒弃整个“缩减”逻辑树,实现了路径的简化和安全性的提升。

4. 生产环境扩容最佳实践与避坑指南

理解了原理和差异,最终要落实到操作上。下面这套结合了原理的最佳实践,能帮助你在生产环境中安全、高效地完成LVM扩容。

4.1 标准安全扩容流程

无论情况多么紧急,遵循一个清晰的流程都能最大程度避免失误。我推荐以下五步法:

  1. 第一步:检查与确认(Look Before You Leap) 在执行任何命令前,先摸清家底。这是一系列确认命令:

    # 1. 确认卷组有足够空间
    sudo vgs
    # 查看 VFree 列,确保有足够空闲空间。
    
    # 2. 确认当前逻辑卷和文件系统信息
    sudo lvs
    sudo df -hT /path/to/mount_point # 查看挂载点文件系统类型和已用空间
    
    # 3. (重要) 确认文件系统类型,决定后续使用什么工具
    lsblk -f /dev/myvg/mylv
    
  2. 第二步:执行逻辑卷扩容(The Safe Way) 始终优先使用lvextend。

    # 方式A:增加固定容量
    sudo lvextend -L +50G /dev/myvg/mylv
    
    # 方式B:使用全部剩余空间(常用)
    sudo lvextend -l +100%FREE /dev/myvg/mylv
    

    此时,LV的块设备大小已经增加,但文件系统还未感知。

  3. 第三步:扩展文件系统(Let FS Know) 根据第一步查出的文件系统类型,选择对应工具。务必先确认类型!

    # 对于 ext2/ext3/ext4 文件系统:
    sudo resize2fs /dev/myvg/mylv
    # resize2fs 会自动检测设备大小并扩展到充满
    
    # 对于 XFS 文件系统:
    sudo xfs_growfs /path/to/mount_point
    # XFS 必须指定挂载点,而非设备路径
    
  4. 第四步:验证扩容结果 扩容后,再次检查确认一切符合预期。

    sudo lvs /dev/myvg/mylv # 确认LV大小
    sudo df -h /path/to/mount_point # 确认文件系统大小
    
  5. 第五步:考虑使用-r参数的一步到位法 如果你对流程很熟悉,且环境稳定,可以在第二步使用-r参数合并2、3步。但这仅适用于支持在线扩容的文件系统。

    sudo lvextend -r -l +100%FREE /dev/myvg/mylv
    

    我个人的习惯是,在非常重要的生产系统上,倾向于分步操作,以便在每一步都能停顿检查。在开发测试环境或次要系统上,使用-r参数提升效率。

4.2 必须绕开的常见“大坑”

  • 坑1:对XFS文件系统使用resize2fs 这是经典错误。XFS和ext系列的工具链不通用。resize2fs对XFS无效,而xfs_growfs也不能缩小。记住口诀:XFS只增不缩,且用xfs_growfs对准挂载点。

  • 坑2:在未扩展文件系统前就写满空间 如果LV扩容后,文件系统未扩容,应用程序会认为空间已满。虽然不会损坏已有数据,但会导致服务中断。务必确保两步操作连续完成。

  • 坑3:在脚本中不加判断地使用lvresize 在自动化脚本中,如果空间调整逻辑可能涉及缩减,务必加入严格的判断条件。更好的做法是,将扩容和缩容写成两个独立的脚本函数,分别调用lvextend和lvresize,并在缩容函数中加入大量的安全检查(如文件系统类型检查、已用空间检查)。

  • 坑4:忽略物理卷(PV)本身的容量上限 LVM扩容的前提是VG有空闲空间。如果VG空间不足,你需要先扩展VG——通过添加新的硬盘(PV)到VG中,或者扩展现有PV的大小(例如,在云环境中扩大云硬盘后,使用pvresize)。

4.3 高级场景:扩容背后的PE分配策略

当你执行lvextend时,LVM如何选择那些空闲的PE?这由LV的分配策略(--alloc)决定,常见的有:

  • contiguous:要求连续的PE。在空间碎片化时可能失败。
  • cling:尝试与同一PV上的现有段相邻分配。
  • normal(默认):LVM会优先在同一个PV上分配,如果空间不够则使用其他PV。这是最常用的策略。
  • anywhere:在任何可用的PE上分配,即使会导致严重碎片化。

在大多数情况下,默认的normal策略是最佳选择。除非有特殊的性能或数据局部性要求,否则不需要修改它。

经过这番从原理到实践的梳理,相信你已经对lvextend和lvresize有了更立体的认识。安全运维的真谛,往往不在于知道多少种复杂的操作,而在于懂得在正确的场景选择最简单、最专注的工具。下次当你需要为逻辑卷扩容时,不妨条件反射般地先敲下lvextend,让这个专注的“加法器”为你保驾护航,把风险隔离在命令之外。毕竟,在数据无价的生产环境里,清晰明确的意图和单一职责的工具,才是我们最可靠的伙伴。

lvresize与lvextend扩容逻辑卷的区别 命令在这种情况下的作用是相同的,都是将逻辑卷的大小增加到逻辑卷组中可用空间的最大值。命令可以用于扩展或缩小逻辑卷的大小。命令专门用于扩展逻辑卷的大小,而。 阅读详情

相关推荐

Linux服务器运维:如何正确选择lvextend和lvresize命令进行逻辑卷扩容(附实战案例)

本文深入解析Linux服务器运维中lvextend与lvresize命令的核心差异与适用场景。lvextend专用于安全扩容逻辑卷,而lvresize功能更全面但风险较高。文章通过实战案例,指导管理员根据扩容或精确调整需求正确选择命令,并强调操作安全与最佳实践,帮助避免数据丢失风险。

weixin_29204749的博客 340

linux命令:resize2fs、lvm逻辑卷lv扩展及缩减

resize2fs:调整ext文件系统的空间大小搭配逻辑卷lv使用方法:resize2fs /PATH/TO/LV_NAME 3G 调整LV的逻辑边界大小为3G 一、扩展逻辑卷lv:(必须先扩展逻辑卷的物理边界,再扩展逻辑边界) lvextend 扩展逻辑卷的物理边界 -L [+]# /PATH/TO/LV_NAME 指定扩展后的容...

weixin_33860528的博客 2249

VMware CentOS 7磁盘扩容实战:从虚拟硬盘到文件系统完整指南

在Linux系统运维和虚拟化环境中,磁盘空间管理是基础且关键的技术环节。其核心原理涉及存储资源的抽象与分层管理,其中LVM(逻辑卷管理)技术通过物理卷、卷组和逻辑卷的三层架构,实现了存储空间的动态调整与灵活分配。这一机制的技术价值在于支持在线扩容、数据迁移和快照备份,极大提升了系统可用性和维护效率。典型的应用场景包括虚拟化平台(如VMware)中虚拟机磁盘空间不足、云计算实例存储扩展以及企业级服务器的存储资源弹性管理。本文以VMware中CentOS 7系统为例,详细解析从虚拟硬盘扩容、分区调整到LVM扩展

weixin_30924087的博客 495

LVM_resize+根目录下各个目录的作用

Today I felt happy because I solved a problem on LVM resizing which defeated me last time I came across it.It felt good to conquer it.Now I will describe the problem. As time goes by,the data on my /h

Hello,World! 686

lvresize命令 调整LVM逻辑卷空间大小

lvresize命令用于调整LVM逻辑卷的空间大小,可以增大空间和缩小空间。使用lvresize命令调整逻辑卷空间大小和缩小空间时需要谨慎,因为它有可能导致数据丢失。 语法格式:lvresize [参数] 常用参数: -L 指定逻辑卷的大小, 单位为“kKmMgGtT”字节 -l 指定逻辑卷的大小(LE数) 参考实例 将逻辑卷空间增加200M: [root@linuxcool ~]# lvresize -L +200M /dev/vg1000/lvol0 Extending logical volume lvol0 to 280.00 MB Logical volume l

【DIY】使用STM32及PID算法实现一个磁悬浮玩具

今天教大家来做一个磁悬浮玩具。

小白白学电子 1万+

linux lvm lvresize和lvextend命令使用对比

lvresize和lvextend。

学亮编程手记 1038

STM32F103 CAN通信避坑指南:从标准库配置到收发测试的完整流程

本文详细介绍了STM32F103 CAN通信的实现流程,从标准库配置到收发测试,帮助开发者避开常见陷阱。内容涵盖硬件连接、波特率计算、过滤器配置及错误处理等关键环节,提供实用的代码示例和调试技巧,确保CAN通信的稳定性和可靠性。

weixin_30627341的博客 325

从古典密码到量子加密:信息安全技术的千年进化史

本文追溯了信息安全技术从古典密码到量子加密的千年演进历程,详细解析了凯撒密码、DES、AES、RSA等关键加密技术的发展与应用。文章特别探讨了量子计算对现代密码学的挑战,并介绍了抗量子密码(PQC)的最新研究进展,为读者提供了信息安全技术的全面视角与未来趋势分析。

weixin_29231027的博客 645

一人公司 CEO × Accio Work:最大能效实战指南

作为一人公司 CEO,你需要同时扮演市场、销售、运营、财务、产品等多个角色。Accio Work 本质上就是你的。

华盛AI的博客 2111

17、激光切割质量影响因素及优化研究

本文研究了激光切割过程中焦点位置、入射角、激光功率、切割速度和气体压力等因素对切割质量的影响,采用响应面方法(RSM)和Box-Behnken设计,基于三种不同喷嘴对SS 304不锈钢进行实验。通过建立切缝宽度比和条纹深度的回归模型,并结合方差分析验证模型有效性,深入分析各参数对切割质量的影响机制。研究发现喷嘴结构差异显著影响参数作用趋势,尤其在切割速度和气体压力响应上表现明显。最终通过多目标优化确定最小激光功率、适中切割速度和最大气体压力为最优组合,显著提升切割质量,为实际生产提供了理论依据和技术支持。未

grape的博客 132

LVM扩容避坑指南:为什么90%的人用错lvresize?从底层原理讲清楚扩展/缩减的差异

本文深入剖析了LVM扩容中lvresize与lvextend命令的根本差异,指出90%的误用源于混淆二者。文章从物理扩展块(PE)分配机制等底层原理出发,详解了扩展与缩减操作的本质区别,并提供了避免数据丢失的安全操作指南与最佳实践。

h6j7k8l9p0的博客 673

【SI好文翻译】铜箔表面纹理对损耗的影响:一个有效的模型(三)

真正的导体表面并不是完全平坦的。 有意将铜表面制造成粗糙的,以使它们在高温和压力下粘附到层压叠层中的电介质传播介质上; 剥离测试通常用于确定粘附的质量。 图 8 显示了为本研究制造的六层高轮廓层印刷电路板在四种不同的扫描电子显微镜放大倍数下的表面粗糙度。 照片中可以看到蚀刻的微带线(顶部和底部)、嵌入的玻璃纤维束、树脂阻焊层和一些杂质。

小孟同学的博客 1638

深入解析lvextend与lvresize在逻辑卷扩容中的核心差异与应用场景

本文深入解析了LVM管理中lvextend与lvresize命令的核心差异与应用场景。lvextend专注于安全扩容,是生产环境在线扩容的首选;而lvresize功能强大,支持扩展与缩减,但操作风险更高。文章通过实战场景对比,提供了清晰的选择指南,帮助运维人员高效、安全地管理逻辑卷存储空间。

tree的博客 765

【图像超分】论文复现:新手入门!Pytorch实现SRCNN,数据预处理、模型训练、测试、评估全流程详解,注释详细,简单修改就可以训练你自己的图像数据,有训练好的模型下载地址,随取随用

【图像超分】论文精读:Image Super-Resolution Using Deep Convolutional Networks(SRCNN)请配合上述论文精读文章使用,效果更佳!图像超分辨率SRCNN和FSRCNN复现代码,除基本的网络实现外,还有特征图可视化,PSNR曲线图可视化,测试自己的图像数据等不想理解原理,希望直接跑通然后应用到自己的图像数据的同学,请直接下载上面的代码,有训练好的模型,直接用即可。具体使用方式见代码中的README!有问题来本文评论区留言!准备数据集,以及数据预处理。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 2万+

huggingface使用git上传model或者Dataset到HF,当然也可以上传代码,以及大文件,很哇塞!!!

huggingface使用git上传model或者Dataset到HF,当然也可以上传代码,以及大文件,很哇塞!!! 第一次使用时,需要使用设置系统全局的huggingface token,这。点击huggingface首页右上角的头像 → settings → access tokens,创建一个write权限的token,名字可以随便取。

拥抱具身智能,昇腾Ascend C 3107

LVM扩容避坑指南:为什么90%的人用错lvextend和lvresize?

本文深入解析LVM扩容中lvextend与lvresize命令的核心区别与使用风险。通过真实案例揭示误用lvresize可能导致数据丢失的隐患,并提供了安全的标准操作流程,强调优先使用专注扩展的lvextend命令并配合-r参数自动调整文件系统,是避免常见逻辑卷管理错误的关键。

i1j2k的博客 248

华为od 面试八股文_C语言_01_含答案

华为od 面试八股文_C语言_01_含答案

MISAYAONE的博客 3230

LVM扩容必看:lvextend和lvresize命令的5个关键区别及使用场景详解

本文深入解析了Linux LVM管理中lvextend与lvresize命令的核心区别。lvextend专用于安全扩容,而lvresize则具备扩展与缩减的双重能力。文章从设计哲学、安全性、文件系统协同、底层机制及实战场景五个维度进行对比,帮助运维工程师根据具体需求,在存储空间动态管理时做出精准、安全的命令抉择,避免数据风险。

tgb3456789的博客 412

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

硬盘管理二:解决磁盘扩容难题:LVM 完整搭建 + 在线扩容实操

Linux LVM动态扩容方案:通过pvcreate/vgcreate/lvcreate创建逻辑卷,vgextend扩展卷组后lvextend扩容逻辑卷,xfs_growfs同步文件系统,支持但不建议缩容。

2501_91009683的博客 202

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

linux lvm lvresize 和 lvextend命令使用示例

以增加10GB的存储空间。的大小调整为20GB。

学亮编程手记 928

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")

LVM逻辑卷管理在线扩容命令

扩容其实很简单,但要记住合理分配空间,否则想要缩减存储空间就要面临数据丢失的风险了。

根叔的修炼笔记 803

lvm 磁盘扩容

使用lvextend 命令扩展逻辑卷大小。pvs 查看pv物理磁盘容量。扩展文件系统大小(ext4)扩容前查看lv 逻辑磁盘。使用一个命令直接扩容。

weixin_56403467的博客 347

Ubuntu LVM 与传统分区扩容对比:4个关键指标与3个适用场景分析

本文对比分析了Ubuntu系统中LVM与传统分区在磁盘扩容中的4个关键指标与3个适用场景。LVM在灵活性、在线扩容方面优势明显,尤其适合虚拟机环境和AI模型仓库,而传统分区在性能敏感场景仍具价值。文章通过实测数据和操作示例,为运维人员提供选型决策依据。

weixin_30299709的博客 316

Linux命令-lvresize(调整逻辑卷空间大小)

lvresize 命令是 lvextend 和 lvreduce 的整合命令,用于一次性调整逻辑卷(Logical Volume)的容量,可扩展也可缩减。 其核心优势在于配合 选项时,能尝试自动同步调整文件系统。 关键选项与用法 选项 说明 示例(扩展) 示例(缩减) 调整逻辑卷到指定最终大小(或表示增减量)。 / 关键选项:在调整逻辑卷容量的同时,自动调整其上的文件系统大小。 主要应用场景与操作 扩展逻辑卷(并自动扩展文件系统)—— 安全且推荐 效果等同于:缩减

RisunJan的博客 766
上一篇: 深入解析PCL 4PCS点云粗配准:从原理到实践
下一篇: Mathtype在Word中消失?三步搞定Office 2016/2019兼容性问题
python9snake
博客等级 码龄1天 0粉丝 1724原创
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  | 博主筛选后可见
 
 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