GOLDENGATE logdump使用笔记

好记性不如烂笔头:

Logdump 15 >open ./dirdat/lt622504
Current LogTrail is /golden/goldengate/dirdat/lt622504 
Logdump 16 >fileheader on


  
Logdump 18 >ghdr on
Logdump 19 >detail on
Logdump 20 >count
LogTrail /golden/goldengate/dirdat/lt622504 has 80859 records 
Total Data Bytes           92318134 
  Avg Bytes/Record             1141 
Insert                        80858 
Others                            1 
After Images                  80858 


Average of 2 Transactions 
    Bytes/Trans .....    1940616 
    Records/Trans ...      40429 
    Files/Trans .....          1 
 


*FileHeader*                                       Partition 0 
Total Data Bytes               1315 
  Avg Bytes/Record             1315 
Others                            1 




Logdump 46 >filter clear
Logdump 47 >filter inc filename PAYADM.PTCTJRN 
Logdump 48 >filter match all
Logdump 49 >count
Scanned     10000 records, RBA    2965221, 2017/02/23 06:06:42.000.000 
Scanned     20000 records, RBA    5904454, 2017/02/23 06:06:56.000.000 
......
LogTrail /golden/goldengate/dirdat/lt623091 has 2851 records 
Total Data Bytes            1254253 
  Avg Bytes/Record              439 
Insert                          986 
FieldComp                      1865 
After Images                   2851 
Filtering matched         2851 records 
          suppressed    286089 records 


Average of 2851 Transactions 
    Bytes/Trans .....         48 
    Records/Trans ...          1 
    Files/Trans .....          0 
 


PAYADM.PTCTJRN                                     Partition 4 
Total Data Bytes            1254253 
  Avg Bytes/Record              439 
Insert                          986 
FieldComp                      1865 
After Images                   2851 




Logdump 66 >pos 20410168
Reading in reverse from RBA 20410168 
Logdump 67 >ggstoken detail
Logdump 68 >sfh
___________________________________________________________________ 
Hdr-Ind    :     E  (x45)     Partition  :     .  (x04)  
UndoFlag   :     .  (x00)     BeforeAfter:     B  (x42)  
RecLength  :    25  (x0019)   IO Time    : 2017/02/23 06:08:28.000.000   
IOType     :     3  (x03)     OrigNode   :   255  (xff) 
TransInd   :     .  (x03)     FormatType :     R  (x52) 
SyskeyLen  :     0  (x00)     Incomplete :     .  (x00) 
AuditRBA   :      90836       AuditPos   : 100416388 
Continued  :     N  (x00)     RecCount   :     1  (x01) 


2017/02/23 06:08:28.000.000 Delete               Len    25 RBA 20410007 
Name: PAYADM.PUBLCKREC 
Before Image:                                             Partition 4   G  s   
 0000 0015 0000 0011 4f4d 4b4d 5055 4231 3034 3031 | ........OMKMPUB10401  
 3030 3032 39                                      | 00029  
Column     0 (x0000), Len    21 (x0015)  
 0000 0011 4f4d 4b4d 5055 4231 3034 3031 3030 3032 | ....OMKMPUB104010002  
 39                                                | 9  
  
GGS tokens: 
TokenID x52 'R' ORAROWID         Info x00  Length   20 
 4141 4275 7547 4144 6641 4141 4235 4a41 4137 0001 | AABuuGADfAAAB5JAA7..  
TokenID x4c 'L' LOGCSN           Info x00  Length   12 
 3335 3633 3132 3530 3132 3534                     | 356312501254  
TokenID x36 '6' TRANID           Info x00  Length   15 
 3436 3639 2e33 302e 3631 3236 3537 33             | 4669.30.6126573  
TokenID x69 'i' ORATHREADID      Info x01  Length    2 
 0002                                              | ..  


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/308563/viewspace-2136310/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/308563/viewspace-2136310/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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