centos7操作系统开机提示error:file “/boot/grub/i386-pc/normal.mod“ not found

一.问题现象

公司重要业务虚拟机突然业务访问不了,重启操作系统之后发现操作系统启动不了,直接进入救援模式,提示error:file “/boot/grub/i386-pc/normal.mod“ not found,报错截图

二.处理思路

在救援模式下,只有很少的命令可是使用:

  1. set 设置环境变量
  2. ls 查看设备
  3. insmod 加载模块
  4. root 指定用于启动系统的分区
  5. prefix 设定grub启动路径

在救援模式下,先ls查看下设备,一般都有好多分区。这时候要手动找到linux分区,因为我们要加载正确的模块,先找到分区就是。

通过ls命令查看/boot在哪个盘内

方法:ls (hd0,X)/

X为显示的号码,如果是msdos11可以直接用11代替。该命令为查看分区下的文件,如果root单独分区了,就找到grub目录,然后ls (hd0,x)/gurb会发现还有个i386-pc目录,normal.mod文件就在该目录下。

2.设置grub的启动分区和路径

set root=(hd0,msdos1)  #设置grub启动分区

set prefix=(hd0,msdos1)/boot/grub/  #设置grub启动路径

查看一下设置情况:

grub rescue> set

prefix=(hd0,msdos1)/boot/grub

root=hd0,msdos1

grub rescue> set root=(hd0,msdos2)
grub rescue> set prefix=(hd0,msdos2)/boot/grub

grub rescue>insmod normal
grub rescue>normal

输入insmod normal还是提示找不到normal.mod


后来想了想现在用的centos7是使用grub2的。

grub2使用指令:
grub rescue> set prefix=(hd0,msdos2)/boot/grub2

3.加载基本模块

insmod /boot/grub/normal.mod  #加载基本模块

insmod /boot/grub2/normal.mod #grub2使用指令

grub rescue>insmod normal 

4.进入正常模式
grub rescue>normal

5.引导系统

set root=(hd0,msdos1)  #设置正常启动分区

linux /boot/vmlinuz ....  ro text root=/dev/sda1  #加载内核,进入控制台模式

initrd  /boot/initrd ....  #加载initrd.img

boot #引导

三.处理步骤

1.在救援模式下执行命令确认/boot在那个盘

  ls
  ls (hd0) 
  ls (hd0,msdos2)
  ls (hd0,msdos1)
  ls (hd0,msdos2)/
  ls (hd0,msdos2)/boot
  ls (hd0,msdos2)/root

操作界面

  set root=(hd0,msdos2)
  set prefix=(hd0,msdos2)/boot/grub
  insmod normal
  normal

 

  • 9
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
神经网络在自动驾驶中扮演着重要角色,它可以帮助车辆感知环境、做决策和控制行为。以下是一个简单的自动驾驶神经网络算法代码详解: ```python import numpy as np # 定义神经网络类 class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): # 初始化权重和偏置 self.W1 = np.random.randn(input_size, hidden_size) self.b1 = np.zeros((1, hidden_size)) self.W2 = np.random.randn(hidden_size, output_size) self.b2 = np.zeros((1, output_size)) def forward(self, X): # 前向传播计算输出 self.z1 = np.dot(X, self.W1) + self.b1 self.a1 = np.tanh(self.z1) self.z2 = np.dot(self.a1, self.W2) + self.b2 self.a2 = self.sigmoid(self.z2) return self.a2 def backward(self, X, y, learning_rate): # 反向传播更新权重和偏置 m = X.shape[0] delta2 = self.a2 - y dW2 = (1/m) * np.dot(self.a1.T, delta2) db2 = (1/m) * np.sum(delta2, axis=0) delta1 = np.dot(delta2, self.W2.T) * (1 - np.power(self.a1, 2)) dW1 = (1/m) * np.dot(X.T, delta1) db1 = (1/m) * np.sum(delta1, axis=0) self.W2 -= learning_rate * dW2 self.b2 -= learning_rate * db2 self.W1 -= learning_rate * dW1 self.b1 -= learning_rate * db1 def sigmoid(self, x): # sigmoid激活函数 return 1 / (1 + np.exp(-x)) # 样本输入和输出 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) # 创建神经网络对象 nn = NeuralNetwork(2, 3, 1) # 训练神经网络 for i in range(10000): output = nn.forward(X) nn.backward(X, y, learning_rate=0.1) # 测试神经网络 test_input = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) predictions = nn.forward(test_input) print(predictions) ``` 这段代码实现了一个简单的多层感知器神经网络,用于解决XOR逻辑门问题。其中`NeuralNetwork`类定义了神经网络的结构和操作,`forward`方法用于前向传播计算输出,`backward`方法用于反向传播更新权重和偏置。最后通过训练和测试数据来验证神经网络的准确性。该代码可以作为自动驾驶神经网络算法的基础,根据具体问题进行进一步扩展和优化。
评论 1
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

打赏作者

忍冬行者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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