Linux空间不足处理

本文介绍了如何临时处理大文件占用问题,如杀死未使用的后台进程,手动清理临时文件如`/tmp/ray`,以及查看和操作已删除文件。永久处理方案包括将文件移至挂载盘并创建软链接,以节省磁盘空间。

目录

临时处理

杀死没在使用的后台进程(某些进程可能会占用几十个G的空间)

手动释放空间

清理/tmp/ray目录

永久处理

将文件挪至空间充足的挂载盘

将软件挪至空间充足的挂载盘,在原目录创建软链接


临时处理

杀死没在使用的后台进程(某些进程可能会占用几十个G的空间)

# 查看进程
ps -ef

# 杀死单个进程
kill -9 PID

# 杀死多个进程
pkill -9 -f "关键字"

手动释放空间

# 查看已删除的文件
lsof | grep deleted

# 进入PID文件目录
cd /proc/1732/fd

# 将文件置空
echo "" > 2

清理/tmp/ray目录

# 清理单个目录
rm -rf /tmp/ray/session_2023-10-28_03-55-21_604668_24330

# 清理多个目录
rm -rf /tmp/ray/session_2023-11-*

详见:https://www.cnblogs.com/sx66/p/16824323.html


 

永久处理

将文件挪至空间充足的挂载盘

将软件挪至空间充足的挂载盘,在原目录创建软链接

# 将文件挪至其他挂载盘
mv /root/anaconda3 /mnt/hdd1/anaconda3

# 创建软链接
ln -s /root/anaconda3 /mnt/hdd1/anaconda3

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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