墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
7.8k累计阅读
7.9k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Parallels Desktop 被称为 macOS 上最强大的虚拟机软件。可以在 OS X 下同时模拟运行 Win、Linux、Android 等多种操作系统及软件而不必重启电脑，并能在不同系统间随意切换，当然也可以使用vm或者vmbox。
由于是国外网站，下载速度可能会比较慢，大家可以离线到云盘或者使用迅雷离线下载，托管到国内之后下载速度就快很多了，下面放一个最新版18.04百度云的下载地址
ubuntu-18.04-desktop-amd64 密码: 7exh
ubuntu最新版本
下载完成后 ，打开PD，点击新建，在下面的界面中点击select a files，选择刚刚下好的iso文件，pd会自动识别操作系统，然后设定用户名和密码，一路下一步即可。
安装过程全部自动化，安装完成后会直接到登录界面
这时输入刚刚创建填入的密码，就进入系统了，此时系统分辨率为800*600，这时候你会发现一个特别蛋疼的地方，分辨率无法修改，下面给大家一种解决方式
首
Mac 安装 Ubuntu 虚拟机：Fusion、PD、UTM 架构选型与避坑
在 Mac 上运行 Ubuntu 虚拟机，本质是通过虚拟化或指令模拟在 macOS 中创建隔离的 Linux 计算环境。其关键原理是 CPU 架构与镜像必须匹配：Apple Silicon 属 ARM64，Intel Mac 属 x86_64，拿错 ISO 会导致黑屏或无法引导；同时 UEFI、Secure Boot、NAT/桥接网络和 guest 工具也会影响安装与 SSH 连通。对开发者而言，这类环境的价值在于可复现、可回滚，适合交叉编译、部署脚本验证、服务端测试和 Linux 学习。落地到 VMwar
跨平台虚拟机迁移实战：从Mac的PD到Windows的VMware
本文详细介绍了如何将Mac上的Parallels Desktop（PD）虚拟机迁移到Windows的VMware Workstation，涵盖工具准备、OVF格式转换、性能优化及故障排查。通过实战案例和技巧分享，帮助用户高效完成跨平台虚拟机迁移，解决兼容性和性能问题。
Parallels Desktop 虚拟机迁移实战：3步将PD Ubuntu转至Windows VMware
本文详细介绍了如何将Parallels Desktop中的Ubuntu虚拟机迁移至Windows VMware，实现跨平台工作流的无缝衔接。通过3个核心步骤：系统准备与优化、格式转换和Windows端配置，确保开发环境的完整性和工具链的连续性。特别针对虚拟机迁移中的硬件抽象层、磁盘格式转换和驱动兼容性等挑战提供了实用解决方案。
M1 Mac装Windows虚拟机：Parallels Desktop ARM版下载安装与配置指南
随着Apple Silicon架构的普及，虚拟化技术成为在M1 Mac上运行Windows等系统的关键桥梁。Parallels Desktop作为一款成熟的虚拟机软件，通过直接虚拟出ARM硬件环境，让ARM版Windows或Linux系统原生运行，同时借助系统内置的x86模拟层兼容大量传统软件。这种虚拟化方案能有效解决Mac与Windows生态之间的工具链壁垒问题，适用于开发测试、跨平台办公、嵌入式编译等场景。在实际配置中，需要关注ARM镜像获取、Parallels Tools安装、网络模式选择（共享/桥接
苹果m1/m2/m3 linux 虚拟机专用 Ubuntu 22.04 arm64 版PD虚拟机内附详细使用说明
资源文件名: Ubuntu 22.04 LTS.zip 虚拟机信息说明 适用的虚拟机软件: Parallels Desktop 适用的硬件:适用于苹果推出的基于 ARM 芯片即 m1/m2/m3 的苹果电脑(包括 iMac 和 Mac mini以及 Macbook 系列). 虚拟机系统版本: Ubuntu Server 22.04 LTS 默认用户名:ubuntu 默认密码: /具体操作手册请见压缩包内 PDF 文档有详细说明/ 网络地址获取方式: dhcp (虚拟机开机后在虚拟机控制台可以看到当前虚拟机 IP 地址) 额外安装的软件: openssh-server 其他说明: 默认安装了虚拟机工具,可以在macOS 系统和虚拟机内自由的共享文件. 具体操作手册请见压缩包内的详细说明文件: 苹果m1/m2/m3 linux 虚拟机专用 Ubuntu 22.04 arm64 版虚拟机内附详细使用说明,pdf
怎么用phpstudy制作网站
随着实践的深入，你会逐渐掌握更多高级技巧和技术，让你的网站变得更加完善和吸引人。现在你已经成功设置了你的本地Web服务器环境，接下来我们将指导你如何利用这个环境来创建一个简单的PHP网页项目。为了使网站更加动态且功能丰富，我们需要学会如何让PHP脚本与MySQL数据库交互。为了让网站看起来更专业美观，可以考虑引入CSS样式表来定制网页布局及视觉效果。当你对本地开发的网站感到满意后，下一步就是将其发布到互联网上供他人访问了。让我们进一步扩展我们的网站，加入一个简单的用户注册与登录系统。
宝塔面板磁盘扩容后不生效？5步搞定Linux服务器磁盘空间更新（附详细命令）
本文详细解析了Linux服务器磁盘扩容后宝塔面板显示不生效的常见问题。通过理解磁盘、分区、文件系统三层逻辑，提供5步解决方案：检查磁盘状态、安装growpart工具、扩展分区、使用resize2fs命令扩展文件系统，并最终验证结果。文中附有详细命令和针对XFS、LVM等进阶场景的指南，帮助用户彻底解决磁盘空间更新问题。
华为BEM战略解码体系完整版（85页PPT）（文末有下载方式）
在部门层面，战略解码的核心是将公司战略逐层分解到部门，确保部门目标能够有效支撑公司战略。战略解码的关键原则包括：对公司战略和业务目标的支撑、指标选取考虑部门责任特色、对公司业务流程的支撑、战略解码，华为公司实现了从战略制定到执行的闭环管理，确保了战略目标能够通过可衡量的。战略解码，华为公司实现了从战略制定到执行的闭环管理，确保了战略目标能够通过可衡量的。战略解码体系的核心目标是将公司战略逐层分解，确保战略目标能够通过可衡量的。在公司层面，战略解码的第一步是战略澄清，明确公司的使命、愿景、战略目标及。
【Ubuntu2404】Ubuntu24.04安装NVIDIA驱动/CUDA/cuDNN搭建神经网络训练环境
NVIDIA 驱动、CUDA和cuDNN是紧密相关但各自具有独特功能的技术，它们共同为图形处理单元（GPU）加速的应用程序提供了强大的支持。本文主要介绍如何安装 `NVIDIA` 驱动、CUDA及cuDNN，为后续神经网络训练提供支持。本文主要介绍Ubuntu24.04安装NVIDIA驱动、CUDA和cuDNN的流程。
python爬取淘宝数据
python爬取淘宝数据淘宝评论 淘宝评论 打开淘宝，选择打开需要爬取的商品的评论。在谷歌浏览器选择开发者工具，选择network，找到list_detail_rate.htm?itemId=624466733121，点击headers、previews，可以看见相应的评论数据。 爬取一页屏评论代码如下 import re import requests headers = { 'Referer': '在headers中', 'User-Agent': '在
【WRF安装】完整自动化 WRF-ARW/WRF-Chem 安装脚本（多服务器测试）
【WRF安装】完整自动化 WRF-ARW/WRF-Chem 安装脚本（多服务器测试）
7、Python高光谱分析工具（PyHAT）简介
Python高光谱分析工具（PyHAT）是一个开源、跨平台的Python库及图形用户界面，用于行星光谱数据的可视化与分析。它支持多种高光谱传感器数据，如火星勘测轨道飞行器的CRISM、月船1号的M3以及SELENE Kaguya SP点光谱仪，提供预处理、衍生产品生成、统计学习和机器学习分析功能。PyHAT基于Pandas和NumPy构建，兼容Jupyter和QGIS环境，旨在解决现有光谱分析方法缺乏开源实现、难以探索性分析和算法分散的问题。其模块化架构涵盖数据输入/输出、通用光谱变换、测绘与点观测工具及高
化工仿真软件：gPROMS二次开发_（1）.gPROMS基础知识
在gPROMS中，模型是通过定义变量、参数和方程来创建的。模型可以是简单的单元操作，如换热器、反应器，也可以是复杂的系统，如整个化工流程。变量是模型中表示状态或输出的量。在gPROMS中，变量需要显式定义其类型和单位。# 定义变量VAR# 温度变量，单位为K# 压力变量，单位为Pa# 组分摩尔分数，数组变量参数是模型中表示常量或初始条件的量。参数同样需要定义其类型和单位。# 定义参数PAR# 理想气体常数，单位为J/(mol·K)# 反应器体积，单位为m^3# 初始摩尔数。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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');```[](https://bitdeli.com/free "Bitdeli Badge")
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
440
扫一扫
