linux中mysql多主一从热备份

本文介绍了一种在多台主机上进行MySQL热备份的方法,并详细解释了如何通过创建多个数据库实例来实现这一目标。

前面的文章中http://5148737.blog.51cto.com/5138737/1570274 讲了如何进行linux中的mysql热备份,属于一主一从的情况,但是大部分情况都是多台主机备份到一台从机,节省设备嘛。

找了好久,才找到解决方法,写下来,因为真的忘的很快。

主机的配置都是一样的,修改配置文件,加入server-id 等的配置,重启,创建slave用户并授权,查看master状态,到此主机结束。

接下来就是从机了,也主要是从机了。

因为我们需要对数据库进行change master操作,如果只有一个数据库实例的话,那前者的change master设置的参数,将被后者覆盖,所以,问题来了,如何创建多个数据库实例。

为从机创建多个数据库实例

  1. 修改从机配置文件

    采用的是mysqld_multi的方法,主要修改配置文件/etc/my.cnf,具体的mysqld_multi的用法自己度娘吧,我这里直接贴出我的配置了。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# For advice on how to change settings please see
# http://dev.mysql.com/doc/refman/5.6/en/server-configuration-defaults.html
[mysqld_multi]
mysqld     =  /usr/bin/mysqld_safe
user       = root
password   = chinacache.gz
log =  /var/lib/mysql/multi .log    <!--错误日志打印处 -->
 
 
[mysqld3305]     <!--模块名,mysqldXX  xx处只能为数字 -- >
port            = 3305       <!--指定端口 -->
log-error= /var/lib/mysql3305/mysqld-error .log   <!--指定错误日志 -->
pid- file = /var/lib/mysql3305/mysqld .pid          <!--指定pid -->
datadir= /var/lib/mysql3305                        <!--指定basedir -->
socket= /var/lib/mysql3305/mysql .sock            <!--指定basedir -->
server- id        = 195                           <!--指定server- id -->
log-bin= /var/lib/mysql3305/mysqld-relay-bin
replicate- do -db=cdnquality                      <!--指定主机中需要备份的数据库 -->
user       = mysql
 
 
[mysqld3306]                            <!--多个数据库实例,来多个模块 -->
port            = 3306
log-error= /var/lib/mysql3306/mysqld-error .log
pid- file = /var/lib/mysql3306/mysqld .pid
datadir= /var/lib/mysql3306
socket= /var/lib/mysql3306/mysql .sock
server- id        = 196
log-bin= /var/lib/mysql3306/mysqld-relay-bin
replicate- do -db=vbumng
user       = mysql


2.创建多个数据库实例

  

1
2
mysql_install_db  --datadir= /var/lib/mysql3305  --user=mysql
mysql_install_db  --datadir= /var/lib/mysql3306  --user=mysql

给数据库授予 mysql 用户的权限

1
2
chown  -R  mysql   /var/lib/mysql3305
chown  -R  mysql   /var/lib/mysql3306

3.启动多个数据库实例

这里启动不是采用常规的 /etc/init.d/mysqld start 启动,需要采用mysqld_multi的方式启动

1
2
3
4
5
mysqld_multi --defaults- file = /etc/my .cnf start 3306    // 这里的3306对应my.cnf中的模块名
mysqld_multi --defaults- file = /etc/my .cnf start 3305
 
// 可以查看启动状态  
netstat  -ntlp| grep  mysql

ps:如果这里可以看到每个启动的数据库实例的话,那基本就大功告成了。


4.分别进入每个数据库实例,进行change master操作

  进入不同的数据库的时候,要指定port或者sock

1
2
3
4
5
6
7
8
9
10
11
mysql -uroot -p -P 3305  -S  /var/lib/mysql3305/mysql .sock
从主机复制需要备份的数据库
对数据库进行change master 配置
启动slave  start slave
查看slave状态      show slave status\G
 
mysql -uroot -p -P 3306  -S  /var/lib/mysql3306/mysql .sock
从主机复制需要备份的数据库
对数据库进行change master 配置
启动slave  start slave
查看slave状态     show slave status\G

ps:进入不同数据库实例后,操作的步骤就一样的,可以参考前面的一主一从的情况





 

     本文转自布拉君君 51CTO博客,原文链接:http://blog.51cto.com/5148737/1570305,如需转载请自行联系原作者





### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务,一种有效的方式是将图像分割成固定大小的小块(patches),这些小块被线性映射为向量,并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中,原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象,则可以按照设定好的宽度和高度参数来划分该图像。例如,对于分辨率为\(224\times 224\)像素的图像,如果选择每边切成16个部分的话,那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后,每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT),通常包括以下几个组成部分: - **Patch Embedding Layer**: 将每个图像块转化为低维向量; - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列; - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块; 最后,在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
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