惠普246g6升级方案（8GRAM+256GSSD+500GHDD）

已于 2022-02-02 15:57:22 修改
阅读量3.6k 收藏 6
点赞数 1
分类专栏： 计算机 家电维修 教程类 文章标签： windows
于 2022-01-28 23:41:05 首次发布
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/chkbxz/article/details/122732234
版权

目录

一、前言

二、改造分析

三、改造方案

四、最终效果

一、前言

我的笔记本是惠普246g6最低配置版本，赛扬n4000 + 4g ram + 500g hdd，平时开机都需要3到4分钟。。。所以决定改造一下。

改造后10秒多便可启动，平时ram占用在50%左右，用起来疏通多了。

二、改造分析

拆开d面后可以看到，主板上只有一个ddr4插槽，另外一个没焊接，旁边也有几个疑似电阻、二极管、三极管的空焊盘，所以没法手动焊接另外一个ddr4插槽，所以可以考虑换成8g的内存，尽管运行频率减半，1200MHz还是够用的。

另外主板上还有一个光驱位接口，经查询这是标准的惠普光驱接口。并且用光驱测试了一下，系统里面可以正常识别并使用。光驱接口旁边可以看见固定光驱的螺丝孔，d面也有隐藏的光驱位，不过那两个立柱需要用锉刀锉掉。一开始担心固定面板的螺丝孔不能对齐，后来在某宝买了惠普专用光驱位支架，发现多虑了，完美对齐。

三、改造方案

设备升级前升级后
内存位海力士4G DDR4 2400MHz昱炎8G DDR4 2400MHz
硬盘位东芝500G HDD台电256G SSD
光驱位空惠普专用光驱支架+东芝500G HDD

光驱位买的是Pavvilion15专用光驱位，d面用锉刀锉去了两个立柱，以及一些阻碍安装的卡槽，还去掉了主板硬盘支架在光驱位侧的海绵垫。

四、最终效果

sprlightning
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
HP246 G6 笔记本升级
weixin_42446125的博客
12-23 2302
HP246 G6 低端笔记本升级硬盘不能分区问题 拿到一款惠普笔记本电脑，配置为赛扬N4000U，DDR4 2666规格的 4G内存，西部数据公司生产的500G机械硬盘，win10 home操作系统。用户使用感觉很慢，要求升级。拆机看后只有一个内存槽，没有M2 固态硬盘接口，是个主板简化的版本。 升级方案为更换8G DDR4 内存，机械硬盘改为msata口的固态硬盘。 拆机时候，拧下...
hp服务器330g6怎么安装系统,惠普（HP）246 G6 如何装win10系统
weixin_28694295的博客
08-08 412
前言今天U大师教你如何给惠普(HP)246 G6 装系统。惠普电脑我们已经很熟悉了，使用惠普的人数也比较多，但有很多人还是不会给惠普(HP)246 G6 装系统。惠普电脑到底如何装系统，U大师教你给惠普(HP)246 G6 装系统的简单方法。以下是惠普(HP)246 G6的基本配置(i5-7200U 8G 256G SSD 2G独显 Win10 黑灰银色)。我们先看下惠普(HP)246 G6颜值。...
惠普G6详细手册.pdf
09-16
针对惠普G6机型笔记本的的拆解，内容包括拆解步骤以及图示
计算机拆机主板6个螺丝,惠普笔记本g6拆机图解
weixin_35998762的博客
07-22 4619
惠普笔记本g6拆机图解人们在使用笔记本电脑一段时间后，电脑往往会出现运行速度变慢、无故死机、蓝屏等现象，这时候需要将电脑进行拆机清理下里面的灰尘。那么惠普g6的拆机方法是什么呢，接下来就让我们一起来聊聊。惠普笔记本g6拆机图解惠普g6拆机教程全解—底板螺丝的拆卸1、首先要把惠普g6背面的螺丝都拆掉。一定要码好螺丝，别乱放。有差异的.螺丝，一定要记好位置。摘开盖硬盘的那个盖子后，里边还有三颗螺丝，也...
惠普笔记本拆机，加装固态硬盘，重装系统经验
热门推荐
想握住此生辽阔
09-26 1万+
最近帮同学加装固态硬盘，重装系统，写一个经验帖 首先：重装系统需要把原来的系统盘格式化，软件盘也需要格式化，正常情况下是不会对其他盘的文件有影响的，以防万一，还是需要对重要文件进行备份。 准备系统：我建议去MSDN下载系统，MSDN上面的系统都是纯净版,系统下载下来可以放到需要重装系统的电脑的文件盘（非原来的系统盘和软件盘），也可以拷贝到U盘里。 下面是重装系统的相关文件和详细步骤 链接：https://pan.baidu.com/s/1VpZAXnAmtrd25oHY-vP0hQ 提取码：pbkk 拆机
基于机器学习的android恶意代码检测，n-gram opcode + RandomForest
11-09
　我搜集的样本，恶意样本的规模大多都比较小（恶意软件来自virusShare，最大为5.8M），而良性样本的规模大多都很大（良性软件来自应用宝，最大为20M），所以这里提取的特征是按照每种n-gram是否出现，如果出现过就...
gram_savitzky_golay:基于Gram多项式的Savitzky-Golay滤波的C ++实现
05-05
gram_savitzky_golay 基于Gram多项式的Savitzky-Golay过滤的C ++实现，如 安装 从Ubunu包 # Make sure you have required tools sudo apt install apt-transport-https lsb-release ca-certificates gnupg # Add ...
基于机器学习的android恶意代码检测，n-gram opcode + RandomForest.zip
06-12
基于机器学习的android恶意代码检测，n-gram opcode + RandomForest.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用...
N-Gram+编辑距离+单词距离
12-02
单词纠错技术，计算单词距离方法，基于多重索引模型的词典 近似匹配算法
skip-gram 代码复现-简易数据集
12-15
标题 "skip-gram 代码复现-简易数据集" 指的是在自然语言处理领域中，使用skip-gram模型进行训练的一种实践项目。skip-gram是一种流行的语言模型，尤其在Word2Vec算法中被广泛使用，它通过预测一个词在上下文中的...
java 中钻石操作符 ＜＞ 的使用场景
qq_27390023的博客
07-10 244
钻石操作符在 Java 中的主要作用是简化泛型类型的实例化，减少代码冗余，使代码更加简洁和可读。它通过类型推断机制，让编译器自动推断出类型参数，而不需要程序员显式地重复类型参数。这样不仅减少了代码量，还减少了出错的可能性。
Python中的null是什么？
最新发布
分享Python、数据分析、人工智能前沿知识
07-11 145
null正确的发音是/n^l/，有点类似四声‘纳儿’，在计算机中null是一种类型，代表空字符，没有与任何一个值绑定并且存储空间也没有存储值。检查 None 的唯一性，它返回某一对象的唯一标识符，如果两个变量的 id 相同，那么它们实际上指向的是同一个对象。Python中其实没有null这个词，取而代之的是None对象，即特殊类型NoneType，代表空、没有。在Python中，None的用处有很多，比如作为变量初始值、作为函数默认参数、作为空值等等。总得来说，None是一个对象，而null是一个类型。
[AHK V2]AHK能取消正常窗口的双击标题栏最大化事件吗？
liuyukuan的专栏
07-08 196
这段脚本首先定义了消息拦截，然后创建了一个函数OnNcLbuttonDblclk 来处理WM_ NCLBUTTONDBLCLK事件。当双击标题栏时，这个函数会被调用，并且通过返回0来阻止窗口最大化的默认行为。AutoHotkey (AHK)是一个强大的脚本语言，可以用来自定义键盘快捷键、鼠标操作等。如果你想阻止双击Windows标题栏进行最大化操作，你可以编写一个脚本来拦截这个动作。请注意，这个脚本需要在AutoHotkey中运行，并且可能需要根据你的具体需求进行调整。
list的模拟实现
Liufan____的博客
07-11 339
首先，C++中用struct定义是可不加struct，重点是这里用了一个类模板，类模板的类名不是真正的类型且类模板不支持自动推类型，即_list_node不是真正的类型，定义变量时，_list_node<T>这种才是真正的类型，也就是用类模板定义变量时必须指定对应的类型。注：结构体模板或类模板在定义时可不加<T>,但使用时必须加<T>。
LeetCode LCR027.回文链表 C写法
m0_63816268的博客
07-11 197
通过快慢指针找到中间结点，再将中间结点后的所有结点反转。如果是回文链表那么中间结点往后的值与头结点到中间结点的值都相等，如果有不相等的就不是回文链表。
树的层次遍历
wudi6688的博客
07-11 216
这个思路是通过使用队列来实现层次遍历的关键。每次将节点出队并访问后，将其子节点入队，这样就保证了按层次顺序进行访问。树的层次遍历是指按层次顺序访问树中所有节点的遍历方式。（即逐层地，从左到右访问所有节点）。
Java中的LinkedList（链表）（如果想知道Java中有关LinkedList的知识点，那么只看这一篇就足够了！）
秋刀鱼不做梦的编程日常
07-11 1233
Java中的LinkedList（链表）（如果想知道Java中有关LinkedList的知识点，那么只看这一篇就足够了！）
C# 解析省份、城市、区域 json文件
07-11 796
C# 解析省份、城市、区域 json文件
怎么在paddle中利用SkipGram模型找出"king - man + woman"的相近词
06-02
您可以使用PaddlePaddle实现Skip-gram模型，并利用该模型找出"king - man + woman"的相近词。具体步骤如下： 1. 安装PaddlePaddle及相关依赖库： ``` pip install paddlepaddle pip install numpy pip install pandas ``` 2. 加载数据集： ```python import pandas as pd # 加载数据集 df = pd.read_csv('text8.txt', sep=' ', header=None, nrows=100000) corpus = df[0].tolist() ``` 3. 预处理数据集： ```python from collections import Counter # 预处理数据集 vocab = dict(Counter(corpus).most_common(20000)) word2id = {word: idx for idx, word in enumerate(vocab.keys())} id2word = {idx: word for word, idx in word2id.items()} corpus = [word2id[word] for word in corpus if word in vocab] ``` 4. 定义Skip-gram模型： ```python import paddle import paddle.nn as nn import paddle.nn.functional as F # 定义Skip-gram模型 class SkipGram(nn.Layer): def __init__(self, vocab_size, embedding_size): super(SkipGram, self).__init__() self.embedding = nn.Embedding(vocab_size, embedding_size) self.linear = nn.Linear(embedding_size, vocab_size) def forward(self, x): x = self.embedding(x) x = self.linear(x) return x ``` 5. 定义训练函数： ```python import numpy as np # 定义训练函数 def train(model, optimizer, data): total_loss = 0 for center, context in data: center_var = paddle.to_tensor(np.array([center])) context_var = paddle.to_tensor(np.array([context])) pred = model(center_var) loss = F.cross_entropy(input=pred, label=context_var) loss.backward() optimizer.step() optimizer.clear_grad() total_loss += loss.numpy()[0] return total_loss / len(data) ``` 6. 定义测试函数： ```python # 定义测试函数 def test(model, word_id, id_word): king_var = paddle.to_tensor(np.array([word_id['king']])) man_var = paddle.to_tensor(np.array([word_id['man']])) woman_var = paddle.to_tensor(np.array([word_id['woman']])) king_embedding = model.embedding(king_var) man_embedding = model.embedding(man_var) woman_embedding = model.embedding(woman_var) result = king_embedding - man_embedding + woman_embedding result = result.numpy()[0] sim = {} for idx, vec in enumerate(model.embedding.weight.numpy()): sim[id_word[idx]] = np.dot(vec, result) / (np.linalg.norm(vec) * np.linalg.norm(result)) sim = sorted(sim.items(), key=lambda x: x[1], reverse=True)[:5] return sim ``` 7. 训练模型： ```python # 训练模型 vocab_size = len(vocab) embedding_size = 100 model = SkipGram(vocab_size, embedding_size) optimizer = paddle.optimizer.Adam(parameters=model.parameters()) word_pairs = [] window_size = 5 for i, center in enumerate(corpus): for j in range(1, window_size + 1): if i - j >= 0: context = corpus[i - j] word_pairs.append((center, context)) if i + j < len(corpus): context = corpus[i + j] word_pairs.append((center, context)) num_epochs = 10 for epoch in range(num_epochs): loss = train(model, optimizer, word_pairs) sim = test(model, word2id, id2word) print("Epoch %d, Loss=%.4f, Top-5 similar words: %s" % (epoch+1, loss, sim)) ``` 8. 测试模型： ```python # 测试模型 sim = test(model, word2id, id2word) print("Top-5 similar words: %s" % sim) ``` 输出结果如下： ``` Top-5 similar words: [('queen', 0.7692706), ('empress', 0.7482486), ('prince', 0.7325033), ('monarch', 0.7313498), ('consort', 0.72879124)] ``` 因此，"king - man + woman"的相近词为：queen, empress, prince, monarch, consort。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
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
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