关于虚拟机关机/重启后自动还原的问题解决方案

虚拟机实验Windows10备份和还原 文章目录实验说明工具虚拟机安装微PE备份自动备份手动备份还原自动还原手动还原 实验说明 在虚拟机Windows 10系统安装微PE工具箱完成C盘备份与还原 工具 微PE工作箱: 链接:微PE. 提取码:ivzs 虚拟机安装微PE 将下载到本地的微PE工具箱复制粘贴到虚拟机win 10上 粘贴 右击微PE工具箱,以管理员身份运行,点击“立即安装进系统”等待安装完成,点击“完成安装” -重启虚... 阅读详情
AI摘要

本文解决了Ubuntu虚拟机在关机或重启后自动还原至初始状态的问题。通过调整虚拟机磁盘设置为“永久”,确保所有更改都能保存。

关于虚拟机关机/重启后自动还原的问题解决方案

问题:

最近新装的虚拟机ubuntu系统,在关闭虚拟机再次启动的时候发现传输的文件和安装的软件全部消失了,对ubuntu系统所做的更改全部丢失了,系统恢复到了刚安装的状态。

解决办法:

1. 虚拟机设置——选项——快照

网上搜罗了一圈,大部分人的解释是虚拟机设置——选项——快照:选择了“恢复到快照(R)”:
这里写图片描述
检查了一下发现我的设置并没有这么选择,这个方法不适用于我的情况,继续检查;

2.虚拟机设置——硬件——磁盘——高级:

经过仔细检查设置,发现虚拟机设置——硬件——磁盘——高级里面有一个模式的设置,勾选“独立”
下面有两个选项:永久(所做更改立即永久写入磁盘)和非永久(关闭虚拟机或还原快照时,对磁盘所做更改将被放弃。)
很明显,我这里就是因为新建虚拟机时不小心勾选了非永久这个选项,导致每次关闭虚拟机再重启之后,所有的更改全部丢失——虚拟机还原了。
这里写图片描述
所以要解决这个问题就得先关闭虚拟机,然后在虚拟机设置——硬件——磁盘——高级中选择“永久”。

从实战到避坑:VSAN集群安全关机与重启的完整指南 本文详细介绍了VSAN集群安全关机与重启的完整流程,包括关机前的准备工作、关键配置调整、主机维护模式选择、标准化重启流程及常见问题排查。特别强调了不同vSphere版本的差异处理,以及自动化脚本和监控建议,帮助管理员避免数据丢失和集群崩溃风险。 阅读详情

相关推荐

技嘉主板关机后USB持续供电解决方案全解析

未来随着USB4和PD3.1协议的普及,主板供电设计将更加智能化,用户期待厂商能提供更细粒度的电源控制选项。在使用技嘉主板的电脑时,部分用户发现即使执行了关机操作,鼠标等USB设备依然保持供电状态。本文将深入解析该现象的产生原理,并提供5种经过验证的解决方案,帮助用户实现彻底关闭USB供电的目标。主板厂商在设计时遵循了ErP(Energy-related Products)欧盟环保指令,该规范要求在设备关机后,主板仍需保留+5V待机电压以支持网络唤醒、键盘开机等功能。六、扩展知识:主板供电设计演进。

nntxthml的博客 1万+

正常关闭虚拟机时,不要点“关机”,而要点“关闭客户机”

摘要: 在VMware虚拟机中,“关闭客户机”与“关机”有本质区别:前者会向客户机操作系统发送关机信号,使其按正常流程关闭(类似物理机的软关机),后者则直接切断虚拟机电源(相当于强制断电)。日常应优先选择“关闭客户机”,避免直接点“关机”,以防数据损坏或系统异常。强制断电可能导致文件写入中断、数据库状态不一致、系统更新失败等问题。仅当客户机完全卡死时,才需使用“关机”按钮。建议通过客户机系统内部关机或VMware菜单明确选择“关闭客户机”,确保安全关闭虚拟机。

wdfk-prog.space 1076

【网络安全的神秘世界】解决dvwa靶场报错:Illegal mix of collations for operation ‘UNION‘

我的 information_schema 使用的是 utf8_general_ci。请根据您的实际情况调整字符集。这通常意味着在执行 UNION 操作时,不同字符集的数据发生了混合,导致冲突。修改字符集设置后,重启 MySQL 服务以应用更改,再次测试一下发现成功。查看 information_schema 的字符集。修改 DVWA 数据库字符集。

菜鸟小羊的博客 2044

vmware虚拟机的重启后自动还原问题

最近公司一台服务器老是出现修改后的功能一重启就丢失了,很多工作都白做了,很是郁闷,最后找到原来是硬盘设置的原因,这是由于虚拟机的硬盘模式设为独立模式,如果勾选了“独立”,若再勾选“非永久”,则虚拟机关机后再重启,虚拟机将回到设定“非永久”时刻的状态,因此我们就要改变这样的设置。 要确保虚拟机处于关机状态,然后按照如下进行设置,即可解决这个问题,如果想要恢复某一时间点的虚拟机,建议还是通过

隐0士的博客 1万+

Arduino平台软硬件原理及使用——Arduino Uno板卡的使用

Arduino Uno板卡的基本使用

洪博hopes的博客 4173

别再混淆了!5分钟搞懂机器人导纳控制与阻抗控制的本质区别(附Simulink对比仿真)

本文深入解析机器人柔顺控制中的导纳控制与阻抗控制的本质区别,通过信号流方向、架构对比和应用场景三个关键视角进行详细阐述。文章还提供Simulink对比仿真案例,帮助读者快速理解两种控制策略的差异及其适用场景,特别适合机器人控制领域的研究者和工程师参考。

weixin_42543046的博客 604

VMware Box虚拟机每次重启自动还原的解决方案

将启动顺序中的硬盘调为最先即可取消自动还原

taolu2019的博客 5336

Linux之SUSE系统SAP-HANA经常系统内存不足使得SAP应用不能使用解决方案

问题描述 Linux内存使用量超过阈值,使得sap应用程序无可用内存,最终导致程序崩溃。 问题原因 自己查阅了一些资料,也基于zabbix的可用内存和实际不太一样入手去找原因发现问题出现于Cached的值过大,导致系统没有可以再分配的内存空间。Cached只要用来缓存文件的,经常读写的文件会被缓存到Cached中,可以增加读写效率,该功能是Linux系统内核提供的,而SAP-HANA的日志文件很大...

liuxiangyang_的博客 6711

【Linux】虚拟机,宿主机每次开机都要重置虚拟网络编辑器

这个问题是由于VMware的NAT Service和DHCP Service被系统禁用所致。 解决方案: 控制面板-->管理工具-->服务中启动这两个服务,并设置为开机自动开启。然后重启虚拟机就可以了。 注:我的没有禁用,是自动的,但是不清楚为什么没有启动。启动一下虚拟机就可以上网了。 ...

开发学习工作日志 2511

Xilinx系FPGA学习笔记(三)Vivado的仿真及ILA使用

接着学习vivado的使用方法。

贾saisai的博客 2546

出现 Error occurred during initialization of VMagent library failed Agent OnLoad 解决方法

ntelliJ IDEA启动时出现"Agent library failed to load"错误,主要原因是JVM代理加载失败。解决方法包括:1)完全卸载并删除用户目录下的JetBrains配置文件;2)检查并修改idea64.exe.vmoptions文件,确保路径正确并删除不必要的-javaagent参数;

码农研究僧的博客 2484

ubuntu借助overlay方案实现重启自动还原

首先:sudo apt install overlayroot 安装一下软件然后编辑配置文件:/etc/overlayroot.conf。

AI最前沿 1615

AMDGPU驱动中Doorbell与Event机制简要对比

摘要:AMDGpu驱动中,Doorbell和Event是两种异步通知机制。Doorbell是CPU→GPU的单向硬件通知,通过写MMIO寄存器触发GPU拉取任务,延迟低且无需内核介入,适用于队列任务提交。Event是GPU→CPU的双向同步通知,基于中断和内核事件对象,支持阻塞等待,用于任务完成或异常上报。核心区别在于方向、用途和实现方式:Doorbell侧重任务触发,Event侧重状态反馈。两者配合实现高效的任务下发与完成通知流程。

图形/计算GPU的驱动与虚拟化技术分享园地 1856

ubuntu18.04 CPU更改为performance模式之后,重启自动恢复为powersave模式的解决方法

Ubuntu18.04 更改CPU为性能模式

weixin_42166812的博客 2247

BAQ压缩原理

BAQ——Block Adaptive Quantization,块自适应量化,一种数据压缩算法。

2872

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

虚拟机服务器关机命令,linux虚拟机怎么关机命令

linux虚拟机怎么关机命令 内容精选换一换可以在虚拟机操作系统中执行sudo poweroff进行关机。如果无效则在virt-manager中关闭虚拟机,单击“Virtual Machine Manager”,选中正在运行的虚拟机,右键单击“Shut Down”即可关闭虚拟机。如果不能正常关闭,建议单击“Force Off”进行强制关闭。如果在创建镜像磁盘时选择自动创建,则宿主机采用XEN虚拟化...

weixin_39553776的博客 2656

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

VMWare虚拟机还原WinXP Ghost镜像

VMWare虚拟机还原WinXP Ghost镜像

duke_ding2的博客 2722

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

虚拟机服务器如何关机命令行,服务器虚拟机关机命令

服务器虚拟机关机命令 内容精选换一换如果客户端工具的运行环境为Linux环境,您需要准备一台和CloudTable集群在相同虚拟私有云的Linux弹性云服务器作为客户端主机。例如,使用以下客户端工具访问集群,建议使用Linux弹性云服务器:HBase shellGeoMesa命令行工具如果客户端工具的运行环境为Windows环境,您需要准备一台和CloudTable集群在相Linux裸金属服务器的...

weixin_39604189的博客 1585

虚拟机管理操作

在运作中状态下,【启动】按钮是停用的,而【关机】按钮成为可用状态,并且可按右方下拉按钮,来取得更多可以操作的功能。在客体机的【概观】页签下方,显示有效能相关的图表,这些图表对于协助管理者判断客体机的运作状况与效能是否足够,提供了很重要的资讯来源。选取客体机后,请切换至【备份】页签,再按下【立即备份】按钮。在客体机虚拟机的右上方有两个按钮,在关机状态下,只有【启动】按钮可以使用,提供将客体机开机的作用。当我们在倒回快照时,有时候并不一定是倒回至最近的那一份快照,有可能是要倒回至更早一点的快照。

2401_88326365的博客 1383

vm打开虚拟机,电脑不讲道理直接死机重启

这个问题很简单,但是很搞人心态,因为出错的成本太高, 我这台6月份买的笔记本到现在一共的关机重启次数估计都没有今天下午6个小时的次数多。 实验平台:红米pro16锐龙版 vm版本:15.5.7 个人的解决方法,一开始网上也搜了很多信息,也试了很多方法,简单总结一下。 1.版本问题,如果虚拟机出现问题,大部分都是版本不兼容的问题,是微软更新之后和虚拟机之间的链接出现了问题。所以我们第一步就是去官网下载最新的版本,卸载之后安装。 2.cpu或者电脑设置自身问题,有的cpu不支持虚拟化,有的电脑默认设

m0_50797891的博客 2万+

Linux关机重启命令原理与生产级实践指南

Linux关机与重启不是简单的终端指令,而是涉及内核电源管理、systemd服务依赖图、文件系统卸载、ACPI/设备树硬件交互的多阶段状态迁移过程。其核心原理在于通过有序终止用户空间服务、同步刷盘、安全卸载挂载点,最终触发内核级停机或重置。这一机制直接决定数据一致性、服务可用性与硬件可靠性,广泛应用于服务器维护、虚拟机管理、嵌入式设备及国产信创平台(如飞腾+麒麟、鲲鹏+统信)的电源适配场景。本文深入解析shutdown、reboot、poweroff等命令的本质差异、权限控制、日志审计与关机拦截机制,覆盖K

weixin_30824479的博客 350

mac.qemu.xp.虚拟机.开机就还原的虚拟机

创建虚拟机镜像 $ qemu-img create -f qcow2 100G.qcow2 100G $ qemu-img info 100G.qcow2 image: 100G.qcow2 file format: qcow2 virtual size: 100 GiB (107374182400 bytes) disk size: 196 KiB cluster_size: 65536 Fo...

virhuiai的专栏 638

虚拟机重启之后与主机的通讯失效的一个解决方案

(最好和我的问题一致再尝试!于是尝试上图中的还原默认设置,因为vm的设置会自动映射到虚拟机,这样虚拟机的网络应该会重置。检查了windows的虚拟网卡和vm的服务自启动,都没有问题。在还原之前务必截图保存所有的网络配置页面。包括nat设置和DHCP设置或者导出设置)还原之后重新配置,发现网络恢复正常。定位问题出现在vm/虚拟机内部。可以ping通,但是尝试。

m0_74414393的博客 138

VirtualBox自动重启之谜

用VirtualBox好久了,感觉它比VM Ware更轻量,启动速度更快,新建系统产生的文件更少,基本上一个.vdi文件就是一个新系统了。 最近遇到一个问题让我差点对它失去信心,安装WinXP的一个虚拟机,有时候启动后就莫名其妙的自动重启,有时候按F8还可以通过恢复到上一次正确配置还原好,有...

chuzaojue0220的博客 944

VMware虚拟机无法修改.vmx文件问题解决

这个操作不会删除你的硬盘文件(.vmx,.vmdk等),它只是从VMware的管理列表中移除了这个虚拟机的引用,相当于“解绑”。笔者使用VMware虚拟机,插入u盘,虚拟机显示U盘连接(断开与主机的连接)是灰色,参考一下博客方法进行解决。进行你需要的修改(例如,修改usb.restrictions.defaultAllow = "TRUE")。找到你的虚拟机文件夹(里面包含 .vmx, .vmdk 等文件)。在VMware中,点击 “文件” -> “打开”。浏览到你刚刚修改的 .vmx 文件,选择并打开。

qq_60072382的博客 645
上一篇: 打开和关闭HDMI输出方法
下一篇: 版本升级Installation error: INSTALL_FAILED_VERSION_DOWNGRADE问题解决
Boiling_Cola
博客等级 码龄11年 2粉丝 12原创
评论 10
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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