Cara menggunakan compact.exe untuk mengosongkan ruang cakera pada Windows
Microsoft telah memperkenalkan pilihan baharu untuk alat baris arahan compact.exe dalam sistem pengendalian Windows 10. Ia membolehkan pengguna memampatkan folder pada sistem menggunakan algoritma baharu untuk mengosongkan ruang cakera.
Tidak seperti kebanyakan penyelesaian pemampatan lain, padat menjanjikan hampir tiada kesan pada prestasi apabila sistem anda perlu memuatkan fail. Fail dimampatkan tanpa menukar sambungan fail atau lokasi. Penyahmampatan berlaku pada masa jalan dan kebanyakan sistem moden tidak sepatutnya mengganggu perkara ini. Alat ini juga disertakan dalam Windows 11.
Compact.exe memampatkan fail dan folder pada Windows tanpa menukar nama fail atau membuat pengubahsuaian lain pada fail. Bergantung pada jenis fail, pemampatan mungkin menjimatkan gigabait ruang cakera atau sangat sedikit. Fail yang sudah dimampatkan (seperti fail imej JPG) akan menunjukkan sedikit atau tiada keuntungan apabila pemampatan dijalankan padanya. Sebaliknya, fail yang tidak dimampatkan mungkin menunjukkan keuntungan yang ketara. Anda boleh menyemak halaman GitHub ini yang menyenaraikan ratusan permainan dan program serta penjimatan apabila menggunakan compress.exe padanya.
Sesetengah aplikasi dan permainan mungkin bertindak balas buruk kepada pemampatan. Jika ini berlaku, membuka zip akan menyelesaikan masalah.
Petua: Jika anda lebih suka antara muka pengguna grafik, lihat CompactGUI. Windows menyertakan pilihan untuk memampatkan keseluruhan pemacu. Klik kanan pada mana-mana pemacu dalam Explorer dan pilih Properties untuk menghidupkan pilihan. Anda boleh menemui "Mampatkan pemacu ini untuk menjimatkan ruang cakera" di bawah Umum dalam tetingkap sifat.
Menggunakan compact.exe pada Windows

Anda boleh menjalankan program ini dari mana-mana tetingkap command prompt. Buka tetingkap Command Prompt baharu, contohnya, menggunakan Windows-R Buka kotak Run, taip cmd.exe dan tekan kekunci Enter pada papan kekunci anda.
Menjalankan padat sahaja akan memaparkan status pemampatan semua folder dan fail dalam direktori semasa.
Alat baris arahan menyokong beberapa parameter, sesetengah daripadanya mungkin mengelirukan pada mulanya.
Arahan teras compact.exe /c dan compact.exe /u menandakan direktori semasa atau yang ditentukan supaya perubahan masa hadapan pada folder (seperti fail yang diubah suai atau fail yang baru ditambah) boleh dimampatkan atau dinyahmampat.
Parameter /s perlu diberikan kepada arahan untuk melaksanakan operasi yang dipilih pada semua fail dalam direktori yang ditentukan dan semua subdirektorinya.
Secara lalai, direktori semasa digunakan, tetapi satu boleh disediakan dan bukannya menjalankan operasi pada direktori lain. Untuk melakukan ini, tambahkan maklumat laluan pada arahan.
Arahan compact.exe /c /s:c:userstestdownloads menjalankan pemampatan pada direktori muat turun.
Anda boleh menentukan algoritma pemampatan dengan menyediakan parameter /EXE. Parameter /EXE:XPRESS8K menggunakan algoritma ini. Algoritma berikut disokong:
- 🎜> Algoritma lalai direka bentuk untuk mempunyai kesan prestasi sesedikit mungkin, walaupun pada sistem yang lebih lama. Kebanyakan peranti sepatutnya tidak mempunyai masalah menggunakan algoritma 8k atau 16k.
- Parameter berguna lain untuk compact.exe:
- /f Paksa mampatan atau penyahmampatan. Fail yang dimampatkan atau tidak dimampatkan akan dilangkau. Harus digunakan jika proses terganggu (contohnya, ranap).
Atas ialah kandungan terperinci Cara menggunakan compact.exe untuk mengosongkan ruang cakera pada Windows. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Ditulis di atas & pemahaman peribadi penulis: Pada masa ini, dalam keseluruhan sistem pemanduan autonomi, modul persepsi memainkan peranan penting Hanya selepas kenderaan pemanduan autonomi yang memandu di jalan raya memperoleh keputusan persepsi yang tepat melalui modul persepsi boleh Peraturan hiliran dan. modul kawalan dalam sistem pemanduan autonomi membuat pertimbangan dan keputusan tingkah laku yang tepat pada masanya dan betul. Pada masa ini, kereta dengan fungsi pemanduan autonomi biasanya dilengkapi dengan pelbagai penderia maklumat data termasuk penderia kamera pandangan sekeliling, penderia lidar dan penderia radar gelombang milimeter untuk mengumpul maklumat dalam modaliti yang berbeza untuk mencapai tugas persepsi yang tepat. Algoritma persepsi BEV berdasarkan penglihatan tulen digemari oleh industri kerana kos perkakasannya yang rendah dan penggunaan mudah, dan hasil keluarannya boleh digunakan dengan mudah untuk pelbagai tugas hiliran.

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

Lapisan bawah fungsi C++ sort menggunakan isihan gabungan, kerumitannya ialah O(nlogn), dan menyediakan pilihan algoritma pengisihan yang berbeza, termasuk isihan pantas, isihan timbunan dan isihan stabil.

Konvergensi kecerdasan buatan (AI) dan penguatkuasaan undang-undang membuka kemungkinan baharu untuk pencegahan dan pengesanan jenayah. Keupayaan ramalan kecerdasan buatan digunakan secara meluas dalam sistem seperti CrimeGPT (Teknologi Ramalan Jenayah) untuk meramal aktiviti jenayah. Artikel ini meneroka potensi kecerdasan buatan dalam ramalan jenayah, aplikasi semasanya, cabaran yang dihadapinya dan kemungkinan implikasi etika teknologi tersebut. Kecerdasan Buatan dan Ramalan Jenayah: Asas CrimeGPT menggunakan algoritma pembelajaran mesin untuk menganalisis set data yang besar, mengenal pasti corak yang boleh meramalkan di mana dan bila jenayah mungkin berlaku. Set data ini termasuk statistik jenayah sejarah, maklumat demografi, penunjuk ekonomi, corak cuaca dan banyak lagi. Dengan mengenal pasti trend yang mungkin terlepas oleh penganalisis manusia, kecerdasan buatan boleh memperkasakan agensi penguatkuasaan undang-undang

01Garis prospek Pada masa ini, sukar untuk mencapai keseimbangan yang sesuai antara kecekapan pengesanan dan hasil pengesanan. Kami telah membangunkan algoritma YOLOv5 yang dipertingkatkan untuk pengesanan sasaran dalam imej penderiaan jauh optik resolusi tinggi, menggunakan piramid ciri berbilang lapisan, strategi kepala pengesanan berbilang dan modul perhatian hibrid untuk meningkatkan kesan rangkaian pengesanan sasaran dalam imej penderiaan jauh optik. Menurut set data SIMD, peta algoritma baharu adalah 2.2% lebih baik daripada YOLOv5 dan 8.48% lebih baik daripada YOLOX, mencapai keseimbangan yang lebih baik antara hasil pengesanan dan kelajuan. 02 Latar Belakang & Motivasi Dengan perkembangan pesat teknologi penderiaan jauh, imej penderiaan jauh optik resolusi tinggi telah digunakan untuk menggambarkan banyak objek di permukaan bumi, termasuk pesawat, kereta, bangunan, dll. Pengesanan objek dalam tafsiran imej penderiaan jauh

1. Perkembangan sejarah model besar pelbagai mod Gambar di atas adalah bengkel kecerdasan buatan pertama yang diadakan di Kolej Dartmouth di Amerika Syarikat pada tahun 1956. Persidangan ini juga dianggap telah memulakan pembangunan kecerdasan buatan perintis logik simbolik (kecuali ahli neurobiologi Peter Milner di tengah-tengah barisan hadapan). Walau bagaimanapun, teori logik simbolik ini tidak dapat direalisasikan untuk masa yang lama, malah memulakan musim sejuk AI pertama pada 1980-an dan 1990-an. Sehingga pelaksanaan model bahasa besar baru-baru ini, kami mendapati bahawa rangkaian saraf benar-benar membawa pemikiran logik ini. Kerja ahli neurobiologi Peter Milner memberi inspirasi kepada pembangunan rangkaian saraf tiruan yang seterusnya, dan atas sebab inilah dia dijemput untuk mengambil bahagian. dalam projek ini.

1. Latar Belakang Pembinaan 58 Portrait Platform Pertama sekali, saya ingin berkongsi dengan anda latar belakang pembinaan 58 Portrait Platform. 1. Pemikiran tradisional platform pemprofilan tradisional tidak lagi mencukupi Membina platform pemprofilan pengguna bergantung pada keupayaan pemodelan gudang data untuk menyepadukan data daripada pelbagai barisan perniagaan untuk membina potret pengguna yang tepat untuk memahami tingkah laku, minat pengguna dan keperluan, dan menyediakan keupayaan sampingan, akhirnya, ia juga perlu mempunyai keupayaan platform data untuk menyimpan, bertanya dan berkongsi data profil pengguna dan menyediakan perkhidmatan profil dengan cekap. Perbezaan utama antara platform pemprofilan perniagaan binaan sendiri dan platform pemprofilan pejabat pertengahan ialah platform pemprofilan binaan sendiri menyediakan satu barisan perniagaan dan boleh disesuaikan atas permintaan platform pertengahan pejabat berkhidmat berbilang barisan perniagaan, mempunyai kompleks pemodelan, dan menyediakan lebih banyak keupayaan umum. 2.58 Potret pengguna latar belakang pembinaan potret di platform tengah 58

Ditulis di atas & Pemahaman peribadi penulis ialah dalam sistem pemanduan autonomi, tugas persepsi adalah komponen penting dalam keseluruhan sistem pemanduan autonomi. Matlamat utama tugas persepsi adalah untuk membolehkan kenderaan autonomi memahami dan melihat elemen persekitaran sekeliling, seperti kenderaan yang memandu di jalan raya, pejalan kaki di tepi jalan, halangan yang dihadapi semasa memandu, tanda lalu lintas di jalan raya, dan sebagainya, dengan itu membantu hiliran. modul Membuat keputusan dan tindakan yang betul dan munasabah. Kenderaan dengan keupayaan pemanduan autonomi biasanya dilengkapi dengan pelbagai jenis penderia pengumpulan maklumat, seperti penderia kamera pandangan sekeliling, penderia lidar, penderia radar gelombang milimeter, dsb., untuk memastikan kenderaan autonomi itu dapat melihat dan memahami persekitaran sekeliling dengan tepat. elemen , membolehkan kenderaan autonomi membuat keputusan yang betul semasa pemanduan autonomi. kepala