笔记本硬盘直接安装win7系统教程（不用U盘和PE）

最新推荐文章于 2025-04-10 16:10:39 发布
最新推荐文章于 2025-04-10 16:10:39 发布
阅读量1.4w 收藏 20
点赞数 4
分类专栏： windows系列 文章标签： windows 系统安装
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/qq_43724927/article/details/113754926
版权
本文分享了一种简化版的Win7系统安装方法，无需U盘，通过互联网和e2dk链接直接在已有的非C盘分区安装，适合对传统安装流程感到繁琐的用户。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

你

硬盘直接安装win7系统

  • 之前的时候安装过好多次系统，Ubuntu、deepin、win7、win10等，网上教程很多，用心看下去的话，跟着做也能最终安装成功，但是我觉得太过繁琐，并且大多数教程，让你装的时候，还让你准备个U盘，卵而我没U盘，折腾了半天，想出来下面这个硬盘直接安装win7系统的方法：

环境： 本人电脑目前环境是，联想拯救者+预装win10系统
好处： 不用U盘、E等一系列软件，非常简单，步骤少
坏处： 时间有点长
工具： 一台能上网的笔记本或台式电脑、支持e2dk链接的P2P下载器（貌似只有迅雷可以，电驴。。不行）

1、首先给自己要安装的win7系统找个非C盘分区（C盘放的是已经装好的win10，这里我们要把win7放到其他盘里），这就需要我们给磁盘重新划一个区。
右击电脑–》管理–》磁盘管理，这里我已经新建好了一个分区：F盘（分区不会建，评论我，亲自回答）

2、去MSDN官网下载纯净的win7系统，这里我选择了win7 专业版 sp1
在这里插入图片描述
3、将e2dk链接复制到专门的p2p下载器里，我的这里是迅雷下载器
在这里插入图片描述
4、等到win7 专业版 sp1下载完成后，鼠标右击此下载后的win7 专业版 sp1的iso镜像文件，解压到当前文件夹，出现setup.exe文件，如下图所示：
在这里插入图片描述
5、以管理员身份运行
在这里插入图片描述
6、之后点击“现在安装”
在这里插入图片描述
7、点击 不获取最新安装更新
在这里插入图片描述
8、接收许可条款
在这里插入图片描述
9、选择 自定义高级
在这里插入图片描述
10、选择要将win7系统安装在早已分好的F盘内
在这里插入图片描述
11、等待安装，中途会重开机几次，正常现象
在这里插入图片描述
12、重点： （1）如果安装过程一直卡在那不动了，这时候要进行BIOS的启动设置，UEFI启动无效，则换成legacy启动；反之，亦然；
（2）本人默认启动方式为UEFI启动，就卡在这了，所以要将启动方式改为legacy启动
（3）不同笔记本进入BIOS更改启动方式的快捷键不同，我的是开机时一直按F2（实在百度也不懂，评论区留言，我亲自说）
（4）安装过程若无卡顿则忽略此步骤，证明你的启动方式是与win7对应的，不用管
在这里插入图片描述
13、接下来就是一个个的设置
在这里插入图片描述
14、进行用户名、计算机名的填写
在这里插入图片描述
15、设置密码
在这里插入图片描述
16、有密钥则输入，没有则忽略
在这里插入图片描述
17、使用推荐设置

18、下一步
在这里插入图片描述
19、配置好刚刚设置的
在这里插入图片描述
20、系统安装完成
在这里插入图片描述

21、win7初始界面，很简洁
安装完成！
在这里插入图片描述

微调实操四:直接偏好优化方法-DPO
youbingchen的博客
02-26 1974
在《微调实操三:人类反馈对语言模型进行强化学习(RLHF)》中提到过第三阶段有2个方法,一种是是RLHF, 另外一种就是今天的DPO方法, DPO通过直接优化语言模型来实现对其行为的精确控制，而无需使用复杂的强化学习，也可以有效学习到人类偏好，DPO相较于RLHF更容易实现且易于训练，效果更好.
LLM - 使用 LLaMA-Factory 微调 Qwen2-VL DPO(LoRA) 图像数据集 教程 (3)
AGI
11-26 2428
DPO(Direct Preference Optimization, 直接偏好优化) 是在 RLHF 阶段中使用的优化算法，通过直接利用人类的偏好数据来优化策略模型，无需定义明确的奖励函数或进行复杂的强化学习过程。DPO的优化目标是，增加偏好样本的对数概率与减小非偏好样本响应的对数概率，结合动态加权机制，以避免仅使用概率比目标时遇到的模型退化问题。
基于 Qwen2 大模型微调技术详细教程（LoRA 参数高效微调和 SwanLab 可视化监控）
老牛啊
07-20 3604
本教程详细介绍了 LoRA 参数高效微调技术，包括数据集准备和处理、模型加载、参数设置等，然后以 Qwen2-0.5B 预训练模型实践，进行了文本分类能力微调，微调过程通过 SwanLab 可视化界面查看，最终微调模型进行测试数据评估……
从0开始大模型之模型DPO训练
最新发布
u012374012的专栏
04-10 602
具体公式推导可以参考这篇博客：https://www.cnblogs.com/lemonzhang/p/17910358.html。对话的偏好不是我们想要的答案，所以需要继续微调训练，这篇文章就介绍DPO。的代码和前面的一样，可以参考预训练的代码，如下就是初始化模型和。主要解决RLHF不稳定的问题，直接使用人类偏好数据训练模型。DPO的数据可以搜索huggingface的DPO数据集，格式的模型，如果想保存。prompt: 文本。chosen: 文本。
Qwen2大模型微调入门实战（完整代码）
SoulmateY的博客
06-09 2万+
是通义千问团队的开源大语言模型，由阿里云通义实验室研发。以Qwen2作为基座大模型，通过指令微调的方式实现高准确率的文本分类，是学习的入门任务。指令微调是一种通过在由（指令，输出）对组成的数据集上进一步训练LLMs的过程。其中，指令代表模型的人类指令，输出代表遵循指令的期望输出。这个过程有助于弥合LLMs的下一个词预测目标与用户让LLMs遵循人类指令的目标之间的差距。在这个任务中我们会使用模型在数据集上进行指令微调任务，同时使用SwanLab进行监控和可视化。本教程参考了。
Qwen2大模型微调入门实战-命名实体识别（NER）任务（完整代码）
SoulmateY的博客
06-20 4750
基于Qwen2-1.5B大模型，实现命名实体识别（NER）任务，是学习LLM微调非常好的入门任务之一，本文将提供完整的代码、模型、数据以及SwanLab实验过程，来帮助你学习如何进行微调。
【大模型学习】使用DPO技术对大模型Qwen2进行微调
weixin_44463519的博客
08-12 1743
你需要配置 DPO 的训练参数，包括模型配置、训练设置等。3、数据格式：将数据处理为 DPO 所需的格式。通常，DPO 需要一个包含对话对和相应偏好标签的数据集。根据单轮对话和多轮对话的需求，你需要选择合适的数据集，并将其处理为 DPO 所需的格式。1、选择数据集：lvwerra/stack-exchange-paired。创建 DPO 训练器。
Qwen2大模型微调入门实战（附完整代码）
m0_59235699的博客
06-25 2749
大模型指令微调（Instruction Tuning）是一种针对大型预训练语言模型的微调技术，其核心目的是增强模型理解和执行特定指令的能力，使模型能够根据用户提供的自然语言指令准确、恰当地生成相应的输出或执行相关任务。指令微调特别关注于提升模型在遵循指令方面的一致性和准确性，从而拓宽模型在各种应用场景中的泛化能力和实用性。在实际应用中，我的理解是，指令微调更多把LLM看作一个更智能、更强大的传统NLP模型（比如Bert），来实现更高精度的文本预测任务。
大模型火爆 2025：LLaMA、Qwen、DeepSeek 核心原理+就业秘籍，快速入门 AI 工程师
weixin_40941102的博客
03-05 753
这些是大型语言模型（LLMs）的核心技术，适合初学者逐步深入学习。微调是让大模型适应特定任务的关键技能，适合小白逐步掌握。
大模型对齐微调DPO
02-13
### 大模型对齐微调DPO方法详解 #### DPO简介 直接偏好优化（Direct Preference Optimization, DPO）是一种用于改进大型语言模型行为的技术，该技术通过结合奖励模型训练和强化学习来提升训练效率与稳定性[^1]。 #...
LLaMA Factory添加新模型template的实战解析
热门推荐
herosunly的博客
07-29 18万+
本文主要介绍了LLaMA Factory添加新模型template的实战解析，希望对使用大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 实战解析 2.1 检查代码 2.2 修改代码
【05】LLaMA-Factory微调大模型——初尝微调模型
H66778899的博客
07-18 2638
【05】LLaMA-Factory微调大模型——微调模型
Qwen2 -微调 Qwen2
强化学习曾小健
07-22 2206
各种参数（例如 r、target_modules、lora_alpha、lora_dropout、bias、use_gradient_checkpointing、random_state、use_rslora 和 loftq_config）用于配置 PEFT 过程。Qwen2 是一系列语言模型，包括各种大小的解码器模型。Qwen2 系列由 5 种尺寸的基础和指令调整模型组成：Qwen2–0.5B、Qwen2–1.5B、Qwen2–7B、Qwen2–57B-A14B 和 Qwen2–72B。
Qwen2大语言模型微调、导出、部署实践
liguiyuan的博客
06-16 3332
上篇文章：我们介绍了Qwen1.5 大语言模型使用LLaMA-Factory 来微调，这篇文章我们介绍一下微调后模型的导出、部署。
Qwen2（Qwen1.5阿里）微调实战qwen1.5-7b
大漠帝国的博客
04-02 5417
Qwen1.5-SFT(阿里, Ali), Qwen_Qwen1.5-2B-Chat/Qwen_Qwen1.5-7B-Chat微调(transformers)/LORA(peft)/推理。
【实战入门】Qwen2大模型微调：命名实体识别（NER）任务全解析
2401_85375151的博客
12-24 1256
大模型指令微调（Instruction Tuning）是一种针对大型预训练语言模型的微调技术，其核心目的是增强模型理解和执行特定指令的能力，使模型能够根据用户提供的自然语言指令准确、恰当地生成相应的输出或执行相关任务。指令微调特别关注于提升模型在遵循指令方面的一致性和准确性，从而拓宽模型在各种应用场景中的泛化能力和实用性。在实际应用中，我的理解是，指令微调更多把LLM看作一个更智能、更强大的传统NLP模型（比如Bert），来实现更高精度的NLP任务。
模型微调DPO入门
weixin_40777649的博客
06-25 1705
定义数据集格式llamafactory 训练案例入门文档阅读。
Qwen2大模型微调入门实战（附完整代码）（非常详细）零基础入门到精通，收藏这一篇就够了
aobulaien001的博客
07-08 2548
大模型指令微调（Instruction Tuning）是一种针对大型预训练语言模型的微调技术，其核心目的是增强模型理解和执行特定指令的能力，使模型能够根据用户提供的自然语言指令准确、恰当地生成相应的输出或执行相关任务。指令微调特别关注于提升模型在遵循指令方面的一致性和准确性，从而拓宽模型在各种应用场景中的泛化能力和实用性。在实际应用中，我的理解是，指令微调更多把LLM看作一个更智能、更强大的传统NLP模型（比如Bert），来实现更高精度的文本预测任务。
评论 9
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