Time machine 备份 硬盘分区格式化

最新推荐文章于 2025-03-29 19:50:35 发布
最新推荐文章于 2025-03-29 19:50:35 发布
阅读量2.1w 收藏 2
点赞数
分类专栏： 系统维护 文章标签： mac TimeMathine
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chenpy/article/details/49736821
版权
前些天在京东买了个2T的移动硬盘，准备用分出一部分作mac的备份用，但是我在windows机器上把移动硬盘给格式化了，采用的是NTFS格式，TimeMachine 不能识别这个磁盘格式， 报错->【该备份磁盘的格式不是“Mac OS 扩展（日志式）”（必需格式）。】




然后就在网上各种搜索怎么把磁盘格式化成Mac OS 扩展（日志式），搜所的结果都是说用磁盘工具来格式化硬盘，但是我发现新版本（10.11）的磁盘工具和旧版本的相差甚远，而且没有传说说中的磁盘格式化，抹掉的按钮不能用。


如果点抹掉则所有硬盘将被格式化。



所以就在网上各种搜索，mac上的磁盘格式化工具，然后就搜索到了这个 【Stellar Partition Manager for Mac 3.0】，下载完后使用了下，然后就把磁盘分区搞坏了，郁闷。不得不在windows机器上下载了一个磁盘分区工具吧磁盘重新格式化了一便，可惜了我上面的数据。

最后想到mac在恢复模式下有一个磁盘工具，这个是否可以格式化我的硬盘。所以把机器重启按住command + R 也就是同时按住 command 和R键 ，进去恢复模式。
这里面的磁盘工具可以顺利的抹去移动硬盘上的不同分区。

选择我要刚才在windows机器上分好的260G的TM分区，点击“抹去”按钮，磁盘工具会删掉这个分区，并格式化为【Mac OS 扩展（日志式）】，退出恢复模式。进入系统，选择timemachine工具，选择刚才格式化的TM分区，则能够顺利备份。


如下图


2025最新AI绘图显卡天梯及购买指南
代码简单说 Vue、JAVA、PHP、Node.js 熟练运用，接口、架构、性能全搞定。
03-10 4445
如果你预算够，**RTX 4090 永远是最强选择！**但如果只是尝试 AI 绘图，RTX 3060 12GB 也是不错的入门卡。千万别买 GTX 10 系列，性能太差！👉 你的 GPU 是哪款？实际使用体验如何？欢迎留言交流！
英伟达系列显卡大解析B100、H200、L40S、A100、A800、H100、H800、V100如何选择，含架构技术和性能对比带你解决疑惑
丨汀、的博客
01-29 3万+
英伟达系列显卡大解析B100、H200、L40S、A100、A800、H100、H800、V100如何选择，含架构技术和性能对比带你解决疑惑
深度学习显卡算力排行榜（显卡天梯图）——以单精度FP32浮点性能为标准的TFLOPS对比
笑脸惹桃花的博客
12-16 3万+
显卡（Graphics Processing Unit，简称GPU）是计算机中用于处理图形相关运算的硬件设备，是现代计算机中不可或缺的重要组成部分。显卡的核心任务是生成计算机显示器上的图像，同时还广泛应用于人工智能、大数据计算和区块链等领域。本文提供深度学习领域的单精度浮点性能显卡天梯图供参考。
你的显卡落伍了吗？英伟达全系显卡 AI 计算力排行大曝光
qq_29824567的博客
02-16 3353
RTX 3090 Ti、RTX 2080 Ti 等老卡，虽然显存大，但 AI 计算能力落后，功耗高，不适合作为 AI 专用显卡。：RTX 3090 Ti 的 AI 计算能力远低于 RTX 4070 Ti，而功耗却高达 450W，不适合 AI 任务。👉 **RTX 4060 Ti (16GB)**，功耗低，显存大，适合轻量 AI 任务。👉 **RTX 4060 Ti (16GB)**，功耗低，显存大，适合轻量 AI 任务。想知道你的显卡在 AI 任务上的真实表现？，但功耗 575W，适合顶级 AI 应用。
显卡性能天梯图（2024年9月版） 显卡天梯图2024最新版
电脑
09-12 4万+
纯玩游戏追求性价比选7900XTX，综合需求或者游戏光追需求推荐买4080super，4080s虽然贵，但是7900XTX价格一直没降，现在也没多大的价格优势了。4090国内停售后4090D顶替4090，虽然舍弃了部分性能，但是也是目前最强的游戏显卡了，4090D和4090相比性能只差了5%。纯玩游戏追求性价比选7900XT，游戏性价比更高，有其他需求就4070Ti/4070Ti super。要说值不值得买，看需求吧，生产力该买就买，游戏玩家建议持币观望等50系显卡上市，年底就上市了。
2023年最新最全的显卡深度学习AI算法算力排行（包括单精度FP32和半精度FP16的对比）
热门推荐
weixin_45941288的博客
06-07 5万+
2023年最新最全的显卡深度学习AI算法算力排行（包括单精度FP32和半精度FP16的对比）
显卡天梯图
weixin_33898876的博客
04-05 279
转自IT百科 转载于:https://www.cnblogs.com/BlogOfEr/p/8721515.html
桌面显卡天梯图 Nvidia显卡算力表
Dontla的博客
03-31 1万+
参考文章1：http://www.mydrivers.com/zhuanti/tianti/gpu/ 参考文章2：https://developer.nvidia.com/cuda-gpus#collapse4
显卡天梯图（2024年12月），3DMark/游戏/Blender/Oc/OpenCL/FP32榜单合集
Name_NaN_None的博客
09-04 4万+
11月显卡天梯图上新~
显卡天梯图最新
01-11
最新的显卡天梯图，先要入手显卡的DIYer千万不要错过。
20.5 2025大模型显卡选型终极指南：天梯榜+闭坑攻略，这样选省50%预算！
yonggeit的博客
03-20 294
大模型训练显卡选型、Tensor Core性能、显存带宽、FP16算力、性价比分析。
19.4 《2024开源大模型王者榜：TOP10谁是最强王者？开发者选型必看》
yonggeit的博客
03-17 67
开源大模型评测, Open LLM Leaderboard, 模型性能对比, 评测指标体系, 模型选型策略。
「你的显卡落伍了吗？」AMD 全系显卡 AI 计算力排行大曝光！
qq_29824567的博客
02-18 2503
在 AI 计算领域，NVIDIA 的 CUDA 生态几乎是默认选择，但 AMD 也在奋力追赶。特别是近两年，AMD 的 ROCm（类似 CUDA 的 AI 计算生态）不断完善，部分显卡甚至可以高效运行 LLM 和 Stable Diffusion。，但随着 ROCm 生态的完善、MLC AI 让 AMD 也能跑 LLM，未来 AMD 可能成为 AI 计算的性价比选项之一。目前 AMD 的 AI 软件生态正在逐步发展，但是仍然还有很多 GPU 不支持的情况，需要多一点折腾，但是性价比高。ღ( ´･ᴗ･` )
17款主流显卡Stable Diffusion AI绘图性能横向测试
m0_71745258的博客
01-13 3180
如果你只是偶尔画几张图玩一玩或者学习下使用方法，其实大概率不是随时都能用得到这么大的显存的，8GB显存的显卡其实已经能够满足很多需求了。因为SD1.5大模型自身的原因，很多都无法实现高分辨率图片直出。直接生成1000×1000以上分辨率的图片大概率会出现“三头六臂”或者细节模糊等情况，而相比占用显存较高的高分辨率修复，玩家也可以通过Tiled Diffusion+Tiled VAE的方式来实现图片放大。
双卡 RTX 5090 深度体验：AI 推理框架选择与性能限制实测
最新发布
nulifancuoAI的博客
03-29 1953
本次双 RTX 5090 的深度体验为我们带来了不少有价值的信息。硬件本身性能强大，双卡并行潜力巨大，但务必重视散热方案和电源配置，以确保稳定运行。在推理框架选择上，Ollama 是当前最方便、开箱即用的选择，适合快速上手和实验。需要特别注意的是，像 SGLang 和 vLLM 这类广泛用于高并发、低延迟生产环境的推理框架，目前对 RTX 5090 的官方支持存在明显滞后。SGLang 因 CUDA 版本限制暂不可用，而 vLLM 需要特定环境下的手动编译，且稳定性有待验证。
【​观察】从重新定义的超算市场 看联想的价值新主张
申耀的科技观察
10-19 652
毫无疑问，超算市场正迎来一个新时代，具体的表现是超算正从过去主要以科学计算为主的方向，逐渐向人工智能、机器学习等方向进行融合和演进。 这也是今年在合肥举办的HPC China上传递出的一个重要信号，那就是互联网行业重新发现了超算的价值，也带给了超算新的生命力，以数据分析和深度学习为主的人工智能应用更带给了超算新的想象力。 在这个过程中，联想始终坚持推动中国超算和人工智能的融合，
rt-detrv3网络结构
03-16
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法，其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略，解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点： #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力，RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号，能够与原始解码器协同工作，从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构，例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2]，这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题，RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理，有效增加了阳例的数量，进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布，确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外，RT-DETRv3 还引入了一个共享权重的解编码器分支，专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构，还显著降低了参数量和推理时间，使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式，RT-DETRv3 实现了高效的目标检测流程，在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是，RT-DETRv3 并未完全抛弃经典的 CNN 技术，而是将其与 Transformer 结合起来形成混合架构[^4]。例如，它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层，从而减少了不必要的计算负担。 此外，RT-DETRv3 还借鉴了 DETR 的一对一匹配策略，并在此基础上进行了优化，进一步提升了小目标检测的能力。 --- ### 总结 综上所述，RT-DETRv3 的网络结构主要包括以下几个关键组件：基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展，使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

炼丹狮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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