WinXP、Win8、Fedora16(Linux)三系统安装实录

        切记:先备份硬盘里的数据。

        我是格掉整个硬盘的,没为什么,就是想从头开始体验一次。一般情况下大可不必如此。

借助系统安装光盘的分区工具(如DiskGenius,或者自己上网随便下载安装一个),在主分区里划分2个盘分别用来装WinXP(32G,格式NTFS)、Win8(100G,格式NTFS),剩下的空间作为扩展分区。从扩展分区里再分出一个32G的盘(预作Fedora16系统盘)和一个6G的盘(Fedora16 Swap分区);其它的作为其他逻辑分区盘,爱几个分几个吧,但记住需要一个6G的盘(FAT32格式)用来存放Fedora16映像。

首先,安装WinXP(32G,NTFS分区);

其次,安装Win8(100G,NTFS分区)

1.如上两个系统可以到 http://www.go004.com/ (Windows系统之家下载),用UltraISO软碟通软件烧录到光盘或者做到U盘里;

2.重启,按F2(依具体电脑而定,注意看上电时的提示)进入BIOS,找到 Advanced BIOS Features ,在 First Boot Device 中 选定光盘或USB作为第一启动项,按F10保存并退出;

3.电脑继续重启,并依据提示安装。安装完记得安装各个硬件的驱动,有原配驱动光盘最好,没有的话最好重装前到驱动之家网站下载个扩展版的驱动精灵,以便系统装完后可以正确装好各个驱动。

因为本文主要准备讲Linux的安装(因为个人在安装时,查找到的Linux安装教程很多讲的不全或不细,走了不少弯路),上述两种系统的安装教程很多,故而不再细述。


最后,Fedora16(Linux)的安装讲解开始啦:

1.准备工作:

a.进入Win8系统,下载Fedora16映像,并存放到6G FAT32的那个盘。一定要下载约3.5G大小的DVD版,本人之前因下载Live版的浪费了不少时间;

  http://download.fedoraproject.org/pub/fedora/linux/releases/16/Fedora/i386/iso/Fedora-16-i386-DVD.iso

  http://download.fedoraproject.org/pub/fedora/linux/releases/16/Fedora/x86_64/iso/Fedora-16-x86_64-DVD.iso

b.下载EasyBCD并安装;

   http://www.ctdisk.com/file/2756381

2. 解压并提取ISO里面isolinux文件夹里的 vmlinuz 和 initrd.img ,和ISO镜像文件同放在一个目录下(6G FAT32的那个盘);

3.打开EasyBCD,选择 Add New Entry — NeoGrub — Configure

4.在打开的 menu.lst 配置文件后面添加如下几句并保存:

title install fedora 16

kernel (hd0,4)/vmlinuz repo=hd:/dev/sda5:/

initrd (hd0,4)/initrd.img

红色数字为存放ISO映像的盘的序号(逻辑分区第一块为4,我的映像放在逻辑分区第4块,因而为4),后面sdax的序号一般直接在前面的序号上加1即可,具体原因我还没弄明白;如果不清楚ISO映像坐在盘序号,可以《右击计算机图标--管理--磁盘管理》查看;

5.重启,在引导界面选择进入 “NeoGrub Bootloader”;成功引导后出现如下界面(后续按几张图片顺序及所示选择):


6.至此,硬盘安装已经成功了,接下来继续看看fedora16安装过程:

7.依次选择“美国式键盘”——“基本存储设备”——“计算机名称”——“时间区域”——“root密码”,选择分区方案时,请根据情况选择。注意看各种说明吧,我已经提前准备了一个32G、一个6G的空分区,因而选择最后一种:

8.如下图片所示,sda6为32G的分区(参考图,数值与我的不一样),选中,按空格键,在弹出的编辑分区窗口按如下图所示设定;

    sda7为6G的分区(参考图,数值与我的不一样),选中,按空格键,在弹出的编辑分区窗口设定文件系统类型为swap;

然后点击“下一步”。

9.选择附加的安装软件包,这里选择“图形化界面”并单击“Next”:

10.选择桌面环境中的桌面软件,根据个人喜好设定。

11.依次根据需要选择要安装的程序,如下列出其中几步的参考图:


点击next后,软件会自动检查软件包之间的依赖关系:

11.安装开始,等待安装完成咯,大概需要半个小时(依电脑不同而不同):

12.安装完成,单机Reboot重启:

13,重启后,进入欢迎界面,单机右下角的“前进”按钮,然后进入到许可证信息界面,还是单机“前进”:

14.创建用户(普通用户):

(可以单机“高级”按钮,进行多个用户的创建或者创建组)


15. 日期和时间的设置,如果可以连接到互联网的话,可以选择“在网络上同步日期和时间”也可以勾选高级选项下面的选项;
      如果系统不可以接入Internet 的话可以手动设置日期和时间。并单击”前进”;

      在硬件信息中,可以选择发送硬件信息到官方网站以供官方参考。这里选择“不发送硬件信息”;

16.在弹出的对话框中,单击“不,不发送”进行确认。并单击”完成”:

17. 系统重新启动,在grub2引导界面选择Fedora16(有两个,第一个是图形界面,第二个是文本界面)。

       进入到用户登录界面,选择安装过程中创建的用户进行登录,或者选择“其他”输入root 用户凭据进行登录:


推荐一个网站:

    http://www.linuxidc.com/topicnews.aspx?tid=5

    http://www.linuxidc.com/Linux/2012-06/62116.htm


安装完成后,grub2默认第一引导顺序是Fedora16(),Fedora16()、Win8,通过如下方式修改Win8为第一启动顺序:


设置默认启动Windows


1. 首先找到Windows的menuentry.
 # cat   /boot/grub2/grub.cfg | grep Windows
 结果:
 menuentry "Windows 7 (loader) (on /dev/sda1)" --class windows --class os {

 2. 设置Windows 作为默认的启动项(这儿只能使用上面命令输出中双引号  “  ”  或者单引号    ‘     ‘   中的内容)

# grub2-set-default  "Windows 7 (loader) (on /dev/sda1)"
 3. 验证默认启动项
 # grub2-editenv list
  输出:
 saved_entry=Windows 7 (loader) (on /dev/sda1)
 4. 生成,更新grub.cfg  (可选)
 下面的命令会使用/etc/grub.d下的自动配置脚本和/etc/default/grub中定义的变量,自动生成GRUB2配置文件(包括在/boot下的内核),-o 指定输出文件,/boot/grub2/grub.cfg是默认配置文件。如果是多系统,它会自动的把它们找出来,加入到启动菜单列表中去。
  # grub2-mkconfig -o /boot/grub2/grub.cfg


 /etc/default/grub 中可以配置timeout,背景图片等

如: 
GRUB_TIMEOUT=5


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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