win7,Ubuntu 12.04 双系统修改启动项顺序三方法

修改启动项顺序的三种方法

本文所涉及的方法都是在Ubuntu的安装时将引导加载程序grub安装在了整个硬盘(即MBR内),即开机以grub引导。

 

方法1
在Ubuntu终端下输入:
sudo mv /etc/grub.d/30_os-prober /etc/grub.d/08_os-prober
sudo update-grub
sudo是使用root权限,mv是修改该文件名。
该 命令是将etc文件夹下的grub.d文件夹下的30_os-prober文件改名为08_os-prober。(08可以改为06~09都可以)。 Ubuntu的启动项相关文件名为“10_....”这样就可以将win7的启动项放在Ubuntu前面,即启动项列表的第一个。由于引导程序默认启动第 一个启动项,所以这样就可以先启动win7了。注意修改完后更新一下grub才能生效(即命令sudo update-grub)。

 

方法2
在Ubuntu终端下输入:
sudo gedit /etc/default/grub
sudo是使用root权限,gedit是用 gedit 文本编辑器打开etc文件夹下的default文件夹下的grub文件。
在打开的文本中修改“GRUB_DEFAULT=0”这一项。比如win7在启动项列表中为第5项,则将0改为4。就是win7在启动项列表中的项数减1。
这里还可以修改该在启动项列表等待的时间,即修改“GRUB_TIMEOUT=所要等待的秒数”,-1表示不倒计时。
修改完后按[Ctrl]+X,会提示是否保存,输入Y,提示保存的文件名,还是原来的grub文件,所以直接回车确定。
sudo update-grub,更新一下grub。

 

方法3

在Ubuntu终端下输入:
sudo gedit /boot/grub/grub.cfg

这个方法是编辑 /boot/grub/grub.cfg文件,

在打开的文本中修改set default="0” 这一项。比如win7在启动项列表中为第5项,则将0改为4。就是win7在启动项列表中的项数减1。

这里还可以修改该在启动项列表等待的时间,即修改“set timeout=10”,-1表示不倒计时。
修改完后按[Ctrl]+s,保存后直接关闭。

 

 

 

转载于:https://www.cnblogs.com/Duahanlang/p/3811465.html

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