8400mg显卡，N卡的显卡门

最新推荐文章于 2024-09-19 17:24:52 发布
最新推荐文章于 2024-09-19 17:24:52 发布
阅读量5.4k 收藏
点赞数
分类专栏： 读书笔记 文章标签： 百度
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/colordrv/article/details/6997705
版权

修理她的那台笔记本。

显卡是07年的N卡，是8400M G。

经过研究，GPU应该就是N卡显卡门时的那批显卡。

而富士通西门子也是我第一次听到的牌子，上网百度了一下，原来是日德合资的欧洲笔记本。

说来也神奇，别人都很快就出问题了，她的那台用了三年才出问题，果然是个隐性问题。

看了一下网上的解决方案，一般说来都是换GPU，可惜太贵了，最少也要3百块，而且事实上也很难说以后不会出问题，保修才那么一个月。

如果只是重新做一下BGA植球，也要220块，也是只保那么一个月。

哎，最后她还是不修了。

确实还是不修的好，电脑可不是衣服，可以修修补补又三年的东西。

我现在这台，就修了我好多钱，还不如买个新的。

还好她有其他的电脑可以用。


我很好奇，Nvidia公司最终是怎么平息这场显卡门的。

回想以前有做显卡的大厂就是因为显卡出了质量问题很快就倒了。

看了这就是上游和下游的区别啊，毕竟人家是做芯片的，就是不一样，可不是说倒就倒的。

因为能生产GPU的就那么几家，所以才能屹立不倒吧？

colordrv
关注
专栏目录
T61|NV显卡门|根据售后维修部数据显示爆发期来临|预防显卡门|解决显卡门
jeffreyst的专栏
10-19 3080
T61|NV显卡门|根据售后维修部数据显示爆发期来临|预防显卡门|解决显卡门 首先，显卡门并不是THINKPAD笔记本的专利，而是只要采用NV显卡芯片的厂商均无一幸免，当DELL,HP大规模爆发显卡门的时候，采用NV显卡的T61系列偶尔有人报告显卡故障，而现在随着时间的推移，这个09年的夏季发生在采用NV显卡的T61身上的显卡门开始结束潜伏期，进入爆发期。 强调，并不是所有的采用NV显
为什么有“显卡门”的笔记本
08-18
显卡门事件就是NVIDIA最近被迫承认的GF8400,GF8600所有显卡存在的硬件缺陷问题。
Ubuntu安装和NVIDIA驱动和安装(.run方法--有时.deb方法安装时NVIDIA显卡驱动装不上)
热门推荐
wonengguwozai的博客
09-25 2万+
Ubuntu安装重启后屏幕全黑，指示灯正常显示： 解决方法：（应该是显卡驱动问题，对Ubuntu工作站安装显卡驱动） 首先将Ubuntu的工作站连到与另一台电脑同一个路由下面 在Ubuntu工作站安装远程控制sever（可以换一个可以显示桌面的显卡或者把安装文件通过Ubuntu安装时的Trying Ubuntu放到工作站，再通过另一台电脑远程安装） 在另一台电脑安装Xshell(win
TR069模拟Xacs免费下载链接https://pan.baidu.com/s/1MG2N8HQ-6YSnhWCwxqcATQ
qq_43631743的博客
07-05 5695
看csdn上xacs全是要积分的，在这里送大家一个免费的链接： https://pan.baidu.com/s/1MG2N8HQ-6YSnhWCwxqcATQ 提取码：cgs9
DELL D630 显卡门事件 终于碰上了~
anhezhen6831的博客
09-13 641
从6月开始，包括国内，世界各地开始陆续出现GeForce8M系列笔记本显卡运行不正常的报告。根据用户的反映，问题多半是在显卡温度过高时发生。在待机或运行简单程序（比如上网、文字处理）时，问题显卡的温度就在60度左右，高于正常温度10度以上，游戏或超频时则超过了70度。而伴随着显卡的“高烧”，则是显示故障的产生，典型的症状包括多重图像、随机字符、纵横线条、甚至没有视频信号等。而7月初，...
双显卡技术汇整，很强大哦
04-27
硬件切换是另一种双显卡切换方式，如在U3S和U3Sg中，系统配备了Intel的GMA X3100和NVIDIA的8400MG或9300MG显卡。用户可以通过特定的设置来切换使用哪一块显卡。同样，N10J系列的笔记本也支持这样的切换，用户可以在...
Unity 百度AI实现无绿幕拍照抠像功能（详解版）
菌菌兹的博客
09-18 1104
1.利用百度ai进行抠像 2.学会获取token 3.开始抠像
用Qt 对接‌百度AI平台
A185822153的专栏
09-19 403
首先我们选择的 AI模型是百度的，然后注册，申请密钥相关的东西（和上一篇语音识别一样的方式），模型场就是用免费的（注册后就有的，一般对话），有些场景模型需要收费。很多同学想利用几大模型AI弄点东西，但又不知道如何去介入？最近帮同学弄点东西，刚好要接入到AI平台，就顺便研究了一下，并记录下来。3, 利用 TOKEN 发送消息到AI平台上去获取结果。2， 利用KEY ,SECRET 获取TOKEN。
百度营销转化追踪（网页JS布码）
p_s_p的博客
09-19 703
百度营销、转化追踪、数据统计、网站数据追踪
【开源大模型生态9】百度的文心大模型
giszz的博客
09-19 550
文心大模型的优势在于其强大的语义理解和生成能力，这得益于百度在人工智能领域的长期投入和技术积累。总的来说，百度的文心大模型是一款强大且广泛应用的人工智能产品，它在自然语言处理方面表现出色，但也存在一定的局限性。随着技术的发展和市场竞争的加剧，未来各家公司将继续优化和完善自己的大模型，为用户提供更好的体验和服务。当然，每个模型都有其局限性。例如，文心大模型可能会受到百度自身业务范围的影响，在某些特定领域的知识覆盖可能不如专门针对这些领域的模型全面。关于文心大模型，我之前的文章，做过非常多的测评，可以参考。
百度起诉知名站长工具5118
卢松松
09-15 802
(1)2023年起诉聊城市某网络科技公司、通过“伪原创”、采集、拼接内容等方式，制造“垃圾页面”，使用技术手段，将“垃圾页面”植入到第三方网站中，生成“虚假页面”，并将虚假页面与搜索关键词相关联，以达到用户触发搜索关键词即产生虚假页面占据搜索结果首页一条甚至几条搜索结果内容的效果。(2)2021年4月，百度把深圳一家做快排的公司给告了，百度控诉一优公司干扰百度搜索排序的行为，违反诚信经营原则，也破坏了市场竞争秩序，构成不正当竞争。当然这些都是大公司的起诉。关注卢松松，因为你关注的人，决定你看到的世界……
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip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。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
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。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
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

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