Ubuntu16.04.6+win10双系统安装

安装

因为学习需要使用Ubuntu,但又想着能使用win10,所以就想装一个双系统,看了许多帖子,所以就对自己经历做一个小结吧。

  1. 下载一个Ubuntu的镜像,小编用的16.04,这个bd一下就有了;
  2. 接着从你的电脑硬盘中分出空闲的空间用于接下去安装,如图所示,管理—>磁盘管理–>压缩卷(自己希望的大小)在这里插入图片描述在这里插入图片描述
  3. 然后就是要做一个u盘启动项把镜像导入其中,小编刚开始使用的是UltralSO,但是做好后出现问题,直接显示minimal…查阅了一下,可能是镜像制作出问题了,使用了另一个Rufus制作;
  4. 重启电脑,进入BIOS界面,将启动项设为u盘启动项,并且关闭安全启动,保存后再次重启;
  5. 进入安装界面 点安装;在这里插入图片描述
  6. 接下去如图(这个选项小编是没有选的);在这里插入图片描述
  7. 选择其他选项;在这里插入图片描述

分区

1.这边要着重说一下分区问题,因为我当时遇到了只能分三个,第四个就显示不可用,找了很多帖子后,应该是先分主分区出现的问题,小编最后的次序是,先 90g / 再 2048m swap 其他都/home (留400m最后/boot)
2.安装启动引导在这里插入图片描述
3.其他都一步到底,最后等待装好,最后会提示你重启
4.重启发现还是win10

设置启动项——对于MBR—传统启动方式

1.下载EasyBCD
2.添加新条目在这里插入图片描述在这里插入图片描述
3.好了安装就完成了

遇到的问题

1.GPT格式的硬盘对应UEFI引导启动,使用Rufus时要选择GPT制作
2.关闭安全启动

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