oracle rman备份压缩,RMAN中压缩备份集

RMAN中的BACKUP命令提供了一个AS COMPRESSED BACKUPSET的选项。如果在执行BACKUP命令时指定了该选项,集在创建过程中就会应用压缩算法,通过这种方式使用倒是挺简单,也不需要其它额外的操作。例如:

RMAN>backup as compressed backupset tablespace system;

Starting backup at 15-APR-09

using channel ORA_DISK_1

channel ORA_DISK_1: starting compressed full datafile backupset

channel ORA_DISK_1: specifying datafile(s) in backupset

input datafile fno=00001 name=F:\ORACLE\ORADATA\JSSBOOK\SYSTEM01.DBF

channel ORA_DISK_1: starting piece 1 at 15-APR-09

channel ORA_DISK_1: finished piece 1 at 15-APR-09

piece handle=F:\ORACLE\BACKUP\BAK_11KCIHRB_1_1 tag=TAG20090415T214059 comment=NONE

channel ORA_DISK_1: backup set complete, elapsed time: 00:00:15

channel ORA_DISK_1: starting compressed full datafile backupset

channel ORA_DISK_1: specifying datafile(s) in backupset

including current control file in backupset

including current SPFILE in backupset

channel ORA_DISK_1: starting piece 1 at 15-APR-09

channel ORA_DISK_1: finished piece 1 at 15-APR-09

piece handle=F:\ORACLE\BACKUP\BAK_12KCIHRQ_1_1 tag=TAG20090415T214059 comment=NONE

channel ORA_DISK_1: backup set complete, elapsed time: 00:00:03

Finished backup at 15-APR-09

接着对相同表空间创建一个不压缩的备份集:

RMAN>backup tablespace system;

Starting backup at 15-APR-09

using channel ORA_DISK_1

channel ORA_DISK_1: starting full datafile backupset

channel ORA_DISK_1: specifying datafile(s) in backupset

input datafile fno=00001 name=F:\ORACLE\ORADATA\JSSBOOK\SYSTEM01.DBF

channel ORA_DISK_1: starting piece 1 at 15-APR-09

channel ORA_DISK_1: finished piece 1 at 15-APR-09

piece handle=F:\ORACLE\BACKUP\BAK_13KCIHS6_1_1 tag=TAG20090415T214126 comment=NONE

channel ORA_DISK_1: backup set complete, elapsed time: 00:00:15

channel ORA_DISK_1: starting full datafile backupset

channel ORA_DISK_1: specifying datafile(s) in backupset

including current control file in backupset

including current SPFILE in backupset

channel ORA_DISK_1: starting piece 1 at 15-APR-09

channel ORA_DISK_1: finished piece 1 at 15-APR-09

piece handle=F:\ORACLE\BACKUP\BAK_14KCIHSM_1_1 tag=TAG20090415T214126 comment=NONE

channel ORA_DISK_1: backup set complete, elapsed time: 00:00:02

Finished backup at 15-APR-09

列出两个备份集,对比看看:

RMAN> list backup of tablespace system;

List of Backup Sets

===================

BS Key  Type LV Size       Device Type Elapsed Time Completion Time

------- ---- -- ---------- ----------- ------------ ---------------

29      Full    27.60MDISK        00:00:09     15-APR-09

BP Key: 96   Status: AVAILABLE  Compressed: YES  Tag: TAG20090415T214059

Piece Name: F:\ORACLE\BACKUP\BAK_11KCIHRB_1_1

List of Datafiles in backup set 29

File LV Type Ckp SCN    Ckp Time  Name

---- -- ---- ---------- --------- ----

1       Full 798005     15-APR-09 F:\ORACLE\ORADATA\JSSBOOK\SYSTEM01.DBF

BS Key  Type LV Size       Device Type Elapsed Time Completion Time

------- ---- -- ---------- ----------- ------------ ---------------

31      Full    129.20MDISK        00:00:13     15-APR-09

BP Key: 98   Status: AVAILABLE  Compressed: NO  Tag: TAG20090415T214126

Piece Name: F:\ORACLE\BACKUP\BAK_13KCIHS6_1_1

List of Datafiles in backup set 31

File LV Type Ckp SCN    Ckp Time  Name

---- -- ---- ---------- --------- ----

1       Full 798020     15-APR-09 F:\ORACLE\ORADATA\JSSBOOK\SYSTEM01.DBF

从LIST BACKUP中的信息可以看出,压缩比还是比较理想。不过压缩备份集虽然能够节省一些存储空间,但肯定会降低备份的速度,这中间如何取舍就取决于你的实际需求了。

空间变换网络(Spatial Transformer NetworksSTN)是一种神经网络结构,用于改善卷积神经网络(CNN)的空间不变性。STN可以对经过平移、旋转、缩放和裁剪等操作的图像进行变换,使得网络在变换后的图像上得到与原始图像相同的检测结果,从而提高分类的准确性。STN由三个主要部分组成:局部化网络(Localisation Network)、参数化采样网格(Parameterised Sampling Grid)和可微分图像采样(Differentiable Image Sampling)。 局部化网络是STN的关键组件,它负责从输入图像中学习如何进行变换。局部化网络通常由卷积和全连接层组成,用于估计变换参数。参数化采样网格是一个由坐标映射函数生成的二维网格,它用于定义变换后每个像素在原始图像中的位置。可微分图像采样则是通过应用参数化采样网格来执行图像的变换,并在变换后的图像上进行采样。 使用STN的主要优点是它能够在不改变网络结构的情况下增加空间不变性。这使得网络能够处理更广泛的变换,包括平移、旋转、缩放和裁剪等。通过引入STN层,CNN可以学习到更鲁棒的特征表示,从而提高分类准确性。 关于STN的代码实现,您可以在GitHub上找到一个示例实现。这个实现使用TensorFlow框架,提供了STN网络的完整代码和示例。您可以通过查看该代码来了解如何在您的项目中使用STN。 综上所述,spatial transformer networks(空间变换网络)是一种神经网络结构,用于增加CNN的空间不变性。它包括局部化网络、参数化采样网格和可微分图像采样三个部分。通过引入STN层,CNN可以学习到更鲁棒的特征表示,从而提高分类准确性。在GitHub上有一个使用TensorFlow实现的STN示例代码供参考。
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