linux系统出现BUG:softlockup- CPU#7 STUCK FOR 22s 等字样的解决办法并永久生效

最新推荐文章于 2025-04-01 23:02:41 发布
最新推荐文章于 2025-04-01 23:02:41 发布
阅读量1.3w 收藏 28
点赞数 4
文章标签： linux 运维
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/lindexin/article/details/105138061
版权

linux系统出现BUG:softlockup- CPU#7 STUCK FOR 22s 等字样的解决办法并永久生效


厂家上门维护发现主板坏了，更换新的主板后，发现操作系统登陆不了，
在这里插入图片描述
临时解决方案
在启动操作系统的时候按e进入编辑
在这里插入图片描述
在quiet前面加modprobe.blacklist=ast
在这里插入图片描述
ctrl+x就OK。禁用显卡板载，但是该方案服务器重启后又得重新操作。

因此需要写入到到系统底层中。

登陆系统后执行：

1、在 /etc/modprobe.d/ 中手动创建blacklist.conf 文件，使用 blacklist 关键字屏蔽不需要的模块，例如如果不想装入 ast 模块（禁用显卡板载）：
touch blacklist.conf

2、vi /etc/modprobe.d/blacklist.conf

3、在blacklist.conf文件中添加如下内容并保存
blacklist ast

4、然后重新生成 kernel initramfs
执行：dracut --force
5、reboot重启验证是否生效

lindexin
关注
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
11-07 8892
比如：对3幅连续帧用三维卷积核进行卷积，可以理解为用3个不同的二维卷积核（二维卷积神经网络中使用的卷积核）卷积3张图，并将卷积结果相加（通过这种处理，网络就提取了时间之间的某种相关性）；上图的三维卷积是对连续的三帧图像进行卷积操作（堆叠多个连续帧组成一个立方体，在立方体中利用三维卷积核进行卷积，这样得到的每个特征map都与上一层中3个邻近的连续帧相连）；3（3为时间维度），即每次操作3帧图像，采用了2种不同的3D卷积核，增加了maps数量；2D卷积：卷积核在输入图像的二维空间进行滑窗操作。
一维卷积神经网络（1D-CNN）
搏博的专栏
11-19 1万+
三种不同结构的自定义的1D-CNN，分别是基于VGG结构的1D-CNN（VNet）、基于EfficienNet结构的1D-CNN（ENet）、基于ResNet结构的1D-CNN（RNet）。假设输入数据维度为8，卷积核filter维度为5，不加填充padding时，输出维度为4，如果filter的数量为16，那么输出数据的shape就是4*16;一维卷积神经网络的基本结构与二维卷积神经网络（2D CNN）类似，但主要区别在于卷积操作是在一维序列上进行的。这种方法在音乐创作和自动生成领域具有广泛的应用前景。
3D CNN处理代码
最新发布
linux_py的博客
04-01 1575
A[输入CT:64x64x64x1] --> B[Conv3D-32核] --> C[MaxPool3D] --> D[Conv3D-64核]CT/MRI等医学影像具有立体结构，3D卷积可识别如肿瘤体积、血管走向等三维特征，2D卷积会因切面处理丢失深度关联。：医学影像（如CT）需捕捉三维空间特征（如肿瘤的立体结构），2D卷积会丢失深度信息。：展平可能丢失空间信息，但此处因后续任务为分类（非生成任务），可接受。：CT扫描的三维体素（voxel）尺寸，代表深度、高度、宽度。
CNN神经网络之一维卷积、二维卷积详解
热门推荐
凌逆战的博客
07-19 2万+
作者：凌逆战 地址：https://www.cnblogs.com/LXP-Never/p/10763804.html 在看这两个函数之前，我们需要先了解一维卷积(conv1d)和二维卷积(conv2d)，二维卷积是将一个特征图在width和height两个方向进行滑动窗口操作，对应位置进行相乘求和；而一维卷积则只是在width或者height方向上进行滑动窗口并相乘求和。 一维卷积：...
【适合小白】基于2DCNN的多特征输入风速多步长多输出风速预测项目实战（pytorch）（多维特征）（前50天预测后5天）【有数据集和代码，可运行】
weixin_44829487的博客
12-15 1285
本项目是基于PyTorch深度学习框架实现一个二维卷积网络来进行风速预测的项目，网络的输入是风速的八个特征，用前50天的8个特征数据进行预测后5天的风速，适用于多特征输入多步长输出（多输出）的预测问题。【输入是（batch_size, 1, 50, 8）,输出是（batch_size, 5）】【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】config中定义了项目的基本参数，可以在里面修改训练参数。
【BP分类】基于凌日优化算法TSOA实现故障识别 数据分类附matlab代码
m0_60703264的博客
07-03 906
标题：【震撼揭秘】凌日优化算法TSOA助力故障识别，数据分类新篇章！导语：在大数据时代，如何高效地进行数据分类和故障识别成为了一个亟待解决的问题。今天，我们将为大家揭示一种基于凌日优化算法TSOA的故障识别与数据分类方法，让你轻松应对各种复杂场景！正文：一、引言随着科技的飞速发展，数据量呈现爆炸式增长，如何从海量数据中提取有价值的信息成为了一个重要课题。故障识别和数据分类作为数据处理的关键环节，对于提高数据处理效率和准确性具有重要意义。
3D图解神经网络
小白学视觉
01-28 352
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达源 |量子位做计算机视觉，离不开CNN。可是，卷积、池化、Softmax……究竟长啥样，是怎样相互连接在一起的？对着代码凭空想象，多少让人有点头皮微凉。于是，有人干脆用Unity给它完整3D可视化了出来。还不光是有个架子，训练过程也都呈现得明明白白。比如随着epoch（迭代次数）的变化，训练过程中各层出现的实时变化。为了能更清楚...
深度学习-三维卷积神经网络（3DCNN）
weixin_40826634的博客
12-10 8267
深度学习-三维卷积神经网络（3DCNN）
[三维递归重建神经网络]3D-R2N2: A Unified Approach for Single andMulti-view 3D Object Reconstruction
weixin_38665509的博客
08-17 7316
摘要 计算机视觉上的应用在2D图像方面主要是检测，分割还有分类。DL是图像处理的主要方法。但是目前 DL在三维重建方面的应用还比较少 这篇文章就是利用DL基于RGB图像进行三维重建，把2D图像到其对应的3D Voxel模型建立映射关系。 3D-R2N2网络从任意角度接收一个或多个对象实例的图像，并以三维占用网格的形式输出对象的重建 和以往大多数工作不同，这个网络不需要任何图像注释或分类标签来进行训练或测试。并且通过大量的实验分析表明 i）优于最先进的单视图重建方法 ii）能够在传统的SFM/SL
卷积神经网络 - 一维卷积、二维卷积
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
03-14 1883
卷积(Convolution)，也叫褶积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积，本博文我们来学习一维卷积和二维卷积。
BP神经网络三维图像模拟
07-25
创建了BP神经网络，然后用该网络对二次函数进行了图像拟合，最后计算了函数平均值、拟合误差等。
不要再纠结卷积的公式啦！0公式深度解析全连接前馈网络与卷积神经网络.rar
10-18
1D卷积层常用于处理序列数据，而2D或3D卷积则适用于处理多模态数据，如图像加文本的融合任务。 卷积神经网络的训练通常涉及反向传播算法和优化器，如随机梯度下降（SGD）、Adam等，用于更新网络权重以最小化损失...
神经网络与深度学习课程总结(二)——卷积神经网络
qq_40509664的博客
04-03 1983
这16个卷积核分别是下图中的3，4，6通道的卷积核，输出图像的大小为10*10*16.训练的参数有6*[5*5*3+1]+9*[5*5*4+1]+1*[5*5*6+1]=1516;第二层S2：池化层2*2步长2，下采样，输入28*28*6输出为14*14*6;14*14*6*(2*2+1)=5880个连接。第四层S4：同S2操作，池化层2*2步长2，输入为10*10*16，输出为(10-2+2)/2=5*5*16,参数为16*2=32个，连接为5*5*16*(2*2+1)=2000。
【深度学习】各种卷积的理解笔记（2D，3D，1x1，可分离卷积）
夹猪逃的博客
03-10 5715
卷积1. 2D卷积单通道版本多通道版本2. 3D卷积3. 1x1卷积作用应用4. 卷积算法5. 可分离卷积空间可分离卷积深度可分离卷积 1. 2D卷积 卷积的目的是从输入中提取有用的特征。在图像处理中，卷积可以选择多种不同的滤波器。每种类型的过滤器都有助于从输入图像中提取不同的方面或特征，例如横向/纵向/对角线边缘。同样，在卷积神经网络中，通过卷积，利用训练过程中自动学习权值的滤波器来提取不同的特征。然后，所有这些提取的特征被“组合”以做出决定。 卷积有几个优点，如权值共享和平移不变性。卷积还考虑了像素的空
11 | Tensorflow实现卷积神经网络
微信号：RunsenLiu
05-31 9338
卷积神经网络是一种特殊的多层神经网络,主要用于提取特征。CNN使用称为卷积和池化的两个操作将图像缩小为其基本特征,并使用这些特征适当地理解和分类图像。
斯坦福CS230深度学习：卷积神经网络详解
这份纲领详细介绍了卷积神经网络（CNN）的基本架构和核心概念，旨在帮助学习者理解这一人工智能领域的关键模型。" 在卷积神经网络（CNN）的架构中，主要有两种类型的层：卷积层（CONV）和池化层（POOL）。这些层是...
1维CNN和2维CNN
weixin_44943389的博客
10-18 1950
主要应用领域不同：1D CNN适用于序列数据，2D CNN适用于图像数据。输入形状不同：1D CNN接受三维数据，2D CNN接受四维数据。1D CNN在时间维度上滑动卷积核，2D CNN在图像的宽度和高度上滑动卷积核。具体选择使用哪一种取决于你的数据类型和任务需求。例如，如果你处理的是文本数据，1D CNN可能更适合；如果你处理的是图像数据，2D CNN更合适。
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