Mac osx访问win7共享资源

updated!!!
步骤1
无需更改步骤1中的win的工作组,只需要在(步骤4)Mac中将工作组设为WORKGROUP与Win的相同即可。

步骤2
高级共享设置,只需要勾选[启用密码保护共享]
128位加密也能工作,推荐!

步骤3
第三步,检查名称后,输入框会自动补齐(计算机名/用户名),复制它,用它代替Win的IP地址。
设置帐户权限的时候将Everyone删除~
第三步中我将所有盘都共享了。

##################


家里有台老PC,硬盘坏掉换了块500G的,装上了windows 7。
Macbook pro装了虚拟机和adobe CS4 Master硬盘蛮紧张。
暂时又不想升级,就充分利用pc的大硬盘吧!把大且不常用的资源存到pc上(我就把adobe CS4 Master的安装程序存放到这里的,6G多,平时下载很痛苦)。

要求:
不用重复地输入密码之类的操作,回家的时候就可以直接存取pc上的资源。(另外网络是跟邻居共用还得考虑到隐私问题)
共享这个功能本来就是系统做好了的,所以不考虑架设ftp服务器之类的。

win7设置步骤
########1,设置工作组 {这一部分删除忽略~}

2,高级共享设置
 

 

3,设置要共享的目录(右键‘目录’--属性)
 
填入你的win7的帐户名,然后点‘检查名称’--------接着为用户设置权限
 


复制检查名称后,输入框的内容。用它来代替PC的IP地址,这样就不用设置固定IP了。

需要注意的是需要为win7的用户名(我这是adrain)设置一个密码,我会再更新文站告诉你添加密码后如何开机自动登陆。

Mac的设置,我这里是snow leopard,即便有差别也是大同小异的吧。
4,系统偏好设定--网络--‘选择’你当前的联网方式(我这里是Airport)--进阶--WINS,在‘工作组’中填入刚刚在win7下设置的工作组名与你的Windows一致。默认为WORKGROUP。
 

5,进入Finder,按command+k,输入smb://192.168.1.220(PC的IP),系统会提示输入用户名和密码(用户名是win7下的默认帐户啦刚刚我们在步骤3填写的这个(我这里是adrain),空密码mac连接时会提示密码过期)


转载:http://www.douban.com/note/49649552/

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