Mac旧机「焕」新机过程记录

本文分享了提升Mac性能的非硬件优化方法,包括系统设置调整和关闭部分功能,以及详细的SSD更换和数据迁移步骤,适用于追求高效工作环境的Mac用户。

一、首先我做了非硬件上的优化处理,在升级到10.14之前还是挺管用的。但是为了使用最新的iOS SDK,升级到10.14以后,已经不管用了。

1、设置-》通用

将动画相关的选项去掉。

 

2、设置-》辅助功能-》显示器

将“减弱动态效果”、“减少透明度”、“无需用颜色区分”钩上。

 

3、关掉spotlight功能

关闭:

sudo mdutil -a -i off

开启:

sudo mdutil -a -i on

 

4、设置-》通知

减少不用的通知。

 

5、设置-》安全性与隐私

关闭文件保险箱加密功能。

 

6、设置-》时间机器

关闭。

 

7、设置-》软件更新

关闭自动关更新功能。

 

8、设置-》调度中心

不要使用触发角。

 

9、设置-》Siri

关闭。

 

二、更换SSD

材料准备:买了一块金士顿的480G的SSD,开机工具,硬盘盒。

参考【http://www.123haitao.com/t/364081】进行了拆机和装机的工作,但是数据迁移这块,由于我之前一直都没有用另一个硬盘做为时间机器的备份硬盘,所以如果我使用时间机器的方式,就还得另外准备一块硬盘。

时间机器的使用是这样的:

自身不能作为自己的时间备份盘。

盘A在主机里面,需要另外一个盘B作为盘A的时间备份盘,然后将盘C装如主机,使用盘B还原数据到盘C中。

使用硬盘盒的方式将硬盘数据的拷贝到另一个硬盘上的方式,是可行的,但是我不想整个过程不可控(机器拆开后,需要等到拷贝完成,我才能开始装机,等得时间过久的话,可能零件会丢等风险),所以我也没有使用硬盘盒拷贝硬盘的方式。

我使用的方式:

直接将新硬盘换到主机中,用硬盘盒连接换下来的硬盘作为启动盘。使用硬盘工具对内置的SSD盘,初始化等操作使得能够被mac系统识别,然后去开发者中心下载了10.14.2系统。运行系统的安装程序时,可以选择将程序装置到那个硬盘中,这个时候选择内置的SSD盘就行了。系统安装后,内置的SSD就是一台“新电脑”的感觉了。然后慢慢的将老硬盘中的文件移动到新硬盘中就行了。

总结:

应该在没有拆机之前,用硬盘连接新硬盘,初始化后直接往上面装系统(先将系统安装程序下载到老硬盘中,运行安装程序时选择安装到新硬盘上就行了)。然后将一些有用的文件通过硬盘盒往新硬盘中拖就行了。

但是有之前硬盘上的程序就需要在新硬盘中重新安装一边了。有个技巧,mac系统的应用可以直接从“应用程序”中像文件一样拖到新硬盘中,可以直接使用。

但是使用命令行装的程序就不方便直接拖的方式了。这方面的安装教程网络上很多,我只列出清单,直接百度或者谷歌就行了:

1、安装Homebrew

2、安装ruby

3、安装rvm

4、安装cocoapods

5、安装git

【传送门】我参看这篇文章完成了安装。

 

三、实在不行就去买台新工具吧

1、Apple Store

工欲善其事,必先利其器。一台高配置电脑,是值得的。

 

转载于:https://www.cnblogs.com/cchHers/p/10112198.html

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 器学习 器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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