U盘中病毒,文件恢复方法

  在平时的学习工作中,不免要遇到拷贝文件的情况。U盘就很好地帮我们解决了这一问题。它可热插拔,传输速度快的特性不仅能帮我们完成文件拷贝工作,而且便于携带。但是有时我们会将它插入不同的电脑,就很可能会遇到U盘中毒的现象。

  前几天我的U盘给同学拿去用了之后回来就中毒了,里面的所有文件都变成了exe可执行文件。我大学期间所有的文件资料都在里面,对我来说那可是学习期间的珍贵成果啊!!!于是我各种谷歌各种百度各种请教想办法解决,最后在简书上找到了相应的解决办法,解决方法很简单,不用下载任何软件就能轻松搞定。

  先贴一下U盘中毒的前后情况:

 

  (中毒前的情况)

  (中毒后的情况)

 

解决方法:

一、首先在 Windows 桌面新建文本,然后将以下执行语句拷贝里面去:

  

Windows Registry Editor Version 5.00[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Explorer\Advanced\Folder\Hidden\SHOWALL]"CheckedValue"=dword:00000001

保存文件后,将后缀格式修改为 .reg。并以管理员的身份运行。

 

二、然后在中毒的 U 盘根目录中,新建文本文件。然后将以下执行语句拷贝到里面去:

  

for /f "delims=" %%i in ('dir /ah /s/b') do attrib "%%i" -s -h

保存文件后,将后缀格式修改为 .bat。以管理员的身份运行。

等待20秒左右后(U盘内文件的数量与大小,决定着等待时长),你会发现 U 盘中的文件恢复了。

 

是不是简单易操作呢,其实如果U盘存的东西对你比较重要话,平时对U盘进行备份是比较保险的方法。希望对你有帮助!

转载于:https://www.cnblogs.com/JasonKuLaLa/p/10136398.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