mysql自动备份脚本

#!/bin/bash 
DBName=news 
DBUser=root 
DBPasswd= 
BackupPath=/daily/mysqlback/ 
LogFile=/daily/mysqlback/db.log 
DBPath=/www/server/mysql-4.1.9/var/news/ 
BackupMethod=mysqldump 
#BackupMethod=mysqlhotcopy 
#BackupMethod=tar 



NewFile="$BackupPath"news$(date +%y%m%d).tar.gz 
DumpFile="$BackupPath"news$(date +%y%m%d) 
#OldFile="$BackupPath"news$(date +%y%m%d --date='5 days ago').tar.gz 

echo "-------------------------------------------" >> $LogFile 
echo $(date +"%y-%m-%d %H:%M:%S") >> $LogFile 
echo "--------------------------" >> $LogFile 
#Delete Old File 
#if [ -f $OldFile ] 
#then 
# rm -f $OldFile >> $LogFile 2>&1 
# echo "[$OldFile]Delete Old File Success!" >> $LogFile 
#else 
# echo "[$OldFile]No Old Backup File!" >> $LogFile 
#fi 
find $BackupPath -atime +5 -name "news*" -exec rm {} /; 

if [ -f $NewFile ] 
then 
echo "[$NewFile]The Backup File is exists,Can't Backup!" >> $LogFile 
else 
case $BackupMethod in 
mysqldump) 
if [ -z $DBPasswd ] 
then 
mysqldump -u $DBUser --opt $DBName > $DumpFile 
else 
mysqldump -u $DBUser -p$DBPasswd --opt $DBName > $DumpFile 
fi 
tar czvf $NewFile $DumpFile >> $LogFile 2>&1 
echo "[$NewFile]Backup Success for mysqldump!" >> $LogFile 
rm -rf $DumpFile 
;; 
mysqlhotcopy) 
rm -rf $DumpFile 
mkdir $DumpFile 
if [ -z $DBPasswd ] 
then 
mysqlhotcopy -u $DBUser $DBName $DumpFile >> $LogFile 2>&1 
else 
mysqlhotcopy -u $DBUser -p $DBPasswd $DBName $DumpFile >>$LogFile 2>&1 
fi 
tar czvf $NewFile $DumpFile >> $LogFile 2>&1 
echo "[$NewFile]Backup Success for mysqlhotcopy!" >> $LogFile 
rm -rf $DumpFile 
;; 
tar) 
/www/server/mysql-4.1.9/bin/mysqladmin shutdown >/dev/null 2>&1 
tar czvf $NewFile $DBPath$DBName >> $LogFile 2>&1 
/www/server/mysql-4.1.9/bin/mysqld_safe --user=mysql & >/dev/null 2>&1 
echo "[$NewFile]Backup Success for tar!" >> $LogFile 
;; 
esac 
fi 

echo "-------------------------------------------" >> $LogFile
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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