Betrieb und Instandhaltung
Windows-Betrieb und -Wartung
So führen Sie relevante Konfigurationen bei der Installation dualer Systeme durch
So führen Sie relevante Konfigurationen bei der Installation dualer Systeme durch
Der Inhalt dieses Artikels befasst sich mit der Durchführung relevanter Konfigurationen während der Installation von Dualsystemen. Ich hoffe, dass er für Freunde in Not hilfreich ist.
Nach einer Woche harter Arbeit werde ich meine eigenen Konfigurationserfahrungen aufzeichnen, um sie mit Ihnen zu teilen. Ursprünglich habe ich Ubuntu und Centos in VMware installiert, aber ich habe festgestellt, dass die lokale GPU nicht in der virtuellen Maschine verwendet werden kann. Später erfordert Deep Learning die Hilfe der GPU und die alleinige Verwendung der CPU wird sehr langsam sein. Es ist einfach so, dass ich in dieser Zeit zum ersten Mal Linux auf einer virtuellen Maschine gelernt habe, und dann werde ich mich in dieser Zeit bei der Installation von Dual-Systemen wohl fühlen.
Schritt eins zur Installation von Dual-Systemen:
Verfügbar: ubuntu-16.04-desktop-amd64.iso System-Image, ein USB-Laufwerk, brennen System-zu-U-Disk-Tool UltraISO, richten Sie das Boot-Tool easyBCD ein
Mein ursprüngliches Win10-System ist eine SSD auf dem Laufwerk c, und ich habe einen Speicherplatz von etwa 100 g für Ubuntu geöffnet und die U-Disk zur Installation verwendet Ich habe gerade Ubuntu14.04 installiert, aber es könnte ein Problem mit meinem iOS-Image sein. Nach der Installation gibt es keinen WLAN-Treiber, kein wlan0 und es muss aktualisiert werden Ich habe mich im kabelgebundenen Netzwerk der Schule angemeldet. Bei der Installation von Wine ist ein weiteres Problem aufgetreten. Mein Klassenkamerad hat das neueste Ubuntu 16.04 installiert und die Installation war schließlich ohne Probleme erfolgreich.
1. Dieser Schritt im Installationsprozess hängt natürlich von der Situation ab. Wenn Sie nicht mit dem Netzwerk verbunden sind, müssen Sie sich im Allgemeinen nicht für die Installation entscheiden Klicken Sie einfach auf die Software von Drittanbietern, um fortzufahren.
3. Wählen Sie beim Zuweisen eines Laufwerksbuchstabens zu den freien Datenträger aus und klicken Sie auf +Legen Sie zunächst den Typ der neuen Partition fest: logische Partition
Die Position der neuen Partition: die Startpartition Position des Speicherplatzes,
wird verwendet für: Swap-Speicherplatz, der als das Doppelte des physischen Speichers im Internet angesehen wird. Tatsächlich sind 2g ausreichend, um ihn einzurichten Die Boot-Partition wird zum Einrichten der Boot-Partition verwendet, Größe: 200 MB (der Autor legt sie vorübergehend auf 200 MB fest)
Typ der neuen Partition: logische Partition
Speicherort der neuen Partition : Leerzeichen-Startposition
Verwendet für: EXT4-Protokolldateisystem
Legen Sie die „/“-Root-Partition fest, viele Standardsystemanwendungen werden später hier installiert
Größe: so groß wie möglich
Typ der neuen Partition: primäre Partition
Der Speicherort der neuen Partition: die Startposition des Speicherplatzes
Verwendet für: EXT4-Protokolldateisystem
Legen Sie die /home-Partition fest, die dem Speichern Ihrer eigenen Dinge entspricht und ein wenig der Win-D-, E-, F-Festplatte ähnelt.
Größe: (der gesamte verbleibende Speicherplatz, so viel wie gezeigt)
Typ der neuen Partition: logische Partition
der neuen Partition Position: Leerzeichen-Startposition
für: EXT4-Journaldateisystem
Es ist wichtig, sich daran zu erinnern
, um
/bootDer entsprechende Laufwerksbuchstabe ist "Das Gerät zur Installation des Bootloaders", stellen Sie sicher, dass Folgendes übereinstimmt: 4. Achten Sie auf den Installationsprozess von Anfang bis Ende. Denken Sie daran, den erweiterten Startvorgang aufzurufen und auszuschalten Sicherer Start (sicherer Start). Ich habe gerade begonnen, den Computer neu zu starten und ihn auszuschalten. Es gibt (jedenfalls) ein Problem. Dies gilt für mich. Denken Sie daran, den Start nach der Installation einzurichten Geben Sie das Win10-System immer noch direkt ein, wenn Sie den Computer einschalten. Tipp: Wählen Sie am besten neuere Versionen von easybcd und UltraISO. Bei einigen Direktsuchen im Internet handelt es sich möglicherweise um ältere Versionen, bei anderen kann es zu Problemen kommen.
Das obige ist der detaillierte Inhalt vonSo führen Sie relevante Konfigurationen bei der Installation dualer Systeme durch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1393
52
1209
24
In diesem Artikel erfahren Sie mehr über SHAP: Modellerklärung für maschinelles Lernen
Jun 01, 2024 am 10:58 AM
In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls
Identifizieren Sie Über- und Unteranpassung anhand von Lernkurven
Apr 29, 2024 pm 06:50 PM
In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“
Jenseits von ORB-SLAM3! SL-SLAM: Szenen mit wenig Licht, starkem Jitter und schwacher Textur werden verarbeitet
May 30, 2024 am 09:35 AM
Heute diskutieren wir darüber, wie Deep-Learning-Technologie die Leistung von visionbasiertem SLAM (Simultaneous Localization and Mapping) in komplexen Umgebungen verbessern kann. Durch die Kombination von Methoden zur Tiefenmerkmalsextraktion und Tiefenanpassung stellen wir hier ein vielseitiges hybrides visuelles SLAM-System vor, das die Anpassung in anspruchsvollen Szenarien wie schlechten Lichtverhältnissen, dynamischer Beleuchtung, schwach strukturierten Bereichen und starkem Jitter verbessern soll. Unser System unterstützt mehrere Modi, einschließlich erweiterter Monokular-, Stereo-, Monokular-Trägheits- und Stereo-Trägheitskonfigurationen. Darüber hinaus wird analysiert, wie visuelles SLAM mit Deep-Learning-Methoden kombiniert werden kann, um andere Forschungen zu inspirieren. Durch umfangreiche Experimente mit öffentlichen Datensätzen und selbst abgetasteten Daten demonstrieren wir die Überlegenheit von SL-SLAM in Bezug auf Positionierungsgenauigkeit und Tracking-Robustheit.
Die Entwicklung der künstlichen Intelligenz in der Weltraumforschung und der Siedlungstechnik
Apr 29, 2024 pm 03:25 PM
In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten
Implementierung von Algorithmen für maschinelles Lernen in C++: Häufige Herausforderungen und Lösungen
Jun 03, 2024 pm 01:25 PM
Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.
Fünf Schulen des maschinellen Lernens, die Sie nicht kennen
Jun 05, 2024 pm 08:51 PM
Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
Erklärbare KI: Erklären komplexer KI/ML-Modelle
Jun 03, 2024 pm 10:08 PM
Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden
Ist Flash Attention stabil? Meta und Harvard stellten fest, dass die Gewichtsabweichungen ihrer Modelle um Größenordnungen schwankten
May 30, 2024 pm 01:24 PM
MetaFAIR hat sich mit Harvard zusammengetan, um einen neuen Forschungsrahmen zur Optimierung der Datenverzerrung bereitzustellen, die bei der Durchführung groß angelegten maschinellen Lernens entsteht. Es ist bekannt, dass das Training großer Sprachmodelle oft Monate dauert und Hunderte oder sogar Tausende von GPUs verwendet. Am Beispiel des Modells LLaMA270B erfordert das Training insgesamt 1.720.320 GPU-Stunden. Das Training großer Modelle stellt aufgrund des Umfangs und der Komplexität dieser Arbeitsbelastungen einzigartige systemische Herausforderungen dar. In letzter Zeit haben viele Institutionen über Instabilität im Trainingsprozess beim Training generativer SOTA-KI-Modelle berichtet. Diese treten normalerweise in Form von Verlustspitzen auf. Beim PaLM-Modell von Google kam es beispielsweise während des Trainingsprozesses zu Instabilitäten. Numerische Voreingenommenheit ist die Hauptursache für diese Trainingsungenauigkeit.
