主板程序(BIOS / UEFI),磁盘分区类型(MBR / GPT)简介

bios+mbr方式以及gpt+uefi方式安装win10和ubuntu18.10 接上一篇grub rescue继续讲这次ubuntu18安装的故事! ubuntu18.10安装   ubuntu18.10真的特别好用!特别好用!特别好用!暂时有几个体验很爽的地方,第一个是界面非常漂亮,喜欢的不要不要的;第二个是安装搜狗输入法很顺利,一下就弄好了(下面又教程),不像16.04会出好多问题;第三个是自动切换ipv4和ipv6,所以连上校园网后可以google了,不用设置vpn,之... 阅读详情

1. 主板内置程序:

BIOS(Basic Input Output System): 基本输入输出系统。
UEFI(Unified Extensible Firmware Interface): 统一可扩展固件接口,用于替换BIOS的新式程序。

1.1 作用

这两个主板内置程序作用上都差不多,无非就是初始化硬件,检测硬件信息,然后引导硬盘上的系统运行。

1.2 对比

说几点对用户比较有用的对比点
(1) 流程:
BIOS:

上电自检
初始化硬件
加载MBR...
系统启动引导代码
启动系统内核
系统启动完成

UEFI:

上电自检
初始化硬件
加载UEFI固件
启动UEFI应用
启动系统内核
系统启动完成

(2) 搭配的分区类型:
BIOS:可以正常使用分区类型为MBR的磁盘
UEFI:可以正常使用分区类型为GPT的磁盘

(3) 速度与灵活性:
BIOS:传统的BIOS程序运行起来比较傻瓜,它基本上只能管理硬件部分的东西,不会和系统有什么交互。
UEFI:较传统的BIOS启动更快了,传统的BIOS不能存储硬件信息,每次上电后都要给这些硬件重新分配资源;而UEFI可以存储配置信息,硬件没有更换的前提下每次上电后只要按照配置信息分配资源即可。对于比较复杂的设备,UEFI也可以让硬件本身存储自己的配置信息,并且提供API与操作系统协同初始化此硬件,加快了系统的运行。

2. 磁盘分区

磁盘分区有两种类型,MBR和GPT。

2.1 MBR类型分区结构

MBR(Master Boot Record): 主引导记录
在这里插入图片描述
● 主引导程序(MBR): BIOS初始化完成后,会加载磁盘0号扇区的主引导程序到内存中运行。而此处的主引导程序会查找活动分区,并将活动分区中的引导程序(一般占一个扇区大小,即512字节)加载到内存中运行,然后再跳转到真正能引导操作系统的程序引导(如下图的bootloader或者GRUB2等)windows内核程序运行。

第一阶段引导
第二阶段引导
主引导程序
活动分区中的引导程序
bootloader / GRUB2等
操作系统内核

BootLoader:用于引导windows vista,7,8,10
GRUB2:用于引导linux的操作系统

● 分区表(DPT): MBR格式的磁盘只有四个分区表,每个分区表大小占16字节,并对应磁盘中的某一个主分区。因为只有四个主分区表,所以MBR类型分区的磁盘只能有四个主分区,想要更多分区只能将其中的一个主分区变为扩展分区(一个磁盘最多只有一个扩展分区),然后扩展分区可以分出来若干个逻辑分区。

字节位内容及含义
0x000若为80H,代表此分区为活动分区;若为00H,则代表非活动分区。一个磁盘只能有一个活动分区,活动分区一般存放操作系统
0x001~0x003此分区第一个扇区的地址(磁头号,柱面号,扇区号)
0x004此分区类型
00H:此分区未使用
05H:扩展分区
06H:FAT16类型
07H:NTFS类型
0BH:FAT32类型
0x005~0x007此分区的最后一个扇区的地址(磁头号,柱面号,扇区号)
0x008~0x011四个字节表示此分区之前的总扇区数,所以每个分区之前的总容量最大为:2^32 * 512 = 2TB
0x012~0x015四个字节表示此分区的总扇区数,所以每个分区最大容量:2^32 * 512 = 2TB

结合8 ~ 11位和12 ~ 15位可知,理论上MBR分区只支持最大容量4TB的磁盘。而实际情况下,windows系统在分区管理中只能分出来最大2TB的容量,要想分出来4TB,就需要使用第三方工具来分区(但是不建议这么干,否则后果自负)

● 结尾标志: 占两个字节,分别为0x55和0xAA,如果不是这两个值,BIOS会认为此磁盘不能被正确引导,BIOS会继续检查磁盘列表中的下一个磁盘。如果所有的磁盘都是无效的,就会报引导类错误。

上边整个第一扇区对应下图红框内容:
在这里插入图片描述
注:上图查看磁盘字节数据的工具名为 winhex

2.2 GPT类型分区结构

GPT(GUID Partition Table): 全局唯一标识磁盘分区表
在这里插入图片描述

● [LBA0] 保护性MBR(Protective MBR): 占一个扇区大小,格式与正常的MBR分区一致,但是除了结尾标志还是0x55和0xAA外,其余大部分都为0。在只有GPT分区的磁盘上,这部分只是为了以前的MBR磁盘工具可以正确识别磁盘,防止误操作造成磁盘损坏。
在这里插入图片描述

● [LBA1] GPT头(Primary GPT Header): 占一个扇区大小,其中具体含义见下表

字节位字节数内容及含义
0x200~0x2078GPT头的签名,通过ascii码转换译为EFI PART
0x208~0x20B4版本号
0x20C~0x20F4GPT头中有意义数据所占大小,一般就是92字节,剩下的420字节全部填充0
0x210~0x2134GPT头的CRC校验和
0x214~0x2174必须是“00 00 00 00”
0x218~0x21F8GPT头的起始扇区号
0x220~0x2278GPT头备份扇区号,如上图所示,一般就是最后一个扇区
0x228~0x22F8可进行分区的起始扇区号(LBA34)
0x230~0x2378可进行分区的结束扇区号(倒数第34个扇区)
0x238~0x24716磁盘的GUID(类UNIX系统中也叫UUID)
0x248~0x24F8分区表的起始扇区号(LBA2)
0x250~0x2534分区表的总数,因windows系统限定其最大为128,所以理论上windows最大可分出来128个分区
0x254~0x2574每个分区表所占用的字节数,通常为128bytes
0x258~0x25B4所有分区表的CRC校验和
0x25C~0x3FF420保留位,全部为0

在这里插入图片描述

● [LBA2~LBA33] 分区表: 每个分区表项固定占用128 bytes,又因为windows可支持最大分区数为128个,所以装有windows系统的磁盘上,整个分区表项占用字节数为 = 128 bytes * 128 = 16384 bytes = 32个LBA大小。每个分区表项格式如下表(以第一个分区表项举例)

字节位字节数内容及含义
0x400~0x40F16该分区类型,GUID表示
0x410~0x41F16该分区唯一标识符,GUID表示
0x420~0x4278该分区起始扇区,单位:LBA
0x428~0x42F8该分区结束扇区,单位:LBA
0x430~0x4378该分区属性标志
0x438~0x47F72该分区的分区名称,最大为32字符,通常这些字符的编码方式为UTF-16

分区属性见下表(8个字节=8*8bit=64bit):

比特位内容及含义
0系统分区(磁盘分区工具必须将此分区保持原样,不得做任何修改)
1EFI隐藏分区(EFI不可见分区)
2传统BIOS的可引导分区标志
60只读
62隐藏
63不自动挂载,也就是不自动分配盘符

分区类型见下表:

操作系统GUID(小端字节序)内容及含义
None00000000-0000-0000-0000-000000000000未使用
None024DEE41-33E7-11D3-9D69-0008C781F39FMBR分区表
NoneC12A7328-F81F-11D2-BA4B-00A0C93EC93BEFI系统分区
None21686148-6449-6E6F-744E-656564454649BIOS引导分区
NoneD3BFE2DE-3DAF-11DF-BA40-E3A556D89593Intel Fast Flash (iFFS) partition (for Intel Rapid Start technology)
WindowsE3C9E316-0B5C-4DB8-817D-F92DF00215AE微软保留分区
WindowsEBD0A0A2-B9E5-4433-87C0-68B6B72699C7基本数据分区
WindowsDE94BBA4-06D1-4D40-A16A-BFD50179D6ACWindows恢复环境
Linux0FC63DAF-8483-4772-8E79-3D69D8477DE4数据分区。Linux曾经使用和Windows基本数据分区相同的GUID。这个新的GUID是由GPT fdisk和GUID Parted开发者根据Linux传统的"8300"分区代码发明的。
LinuxA19D880F-05FC-4D3B-A006-743F0F84911ERAID分区
Linux0657FD6D-A4AB-43C4-84E5-0933C84B4F4F交换分区
LinuxE6D6D379-F507-44C2-A23C-238F2A3DF928逻辑卷管理器(LVM)分区
Linux8DA63339-0007-60C0-C436-083AC8230908保留

下面是三种类型的分区表,分别对应上面分区类型表中红,蓝,黑字体的分区类型
在这里插入图片描述

3. 总结

UEFI+GPT的方案因为它不限制磁盘容量,运行速度等方面优点,让传统的BIOS+MBR方案渐渐淡出了市场。所以建议大家如果安装支持UEFI+GPT系统的时候,可以优先考虑UEFI+GPT的方案。

BIOS搭配MBR/GPT的开机流程 鸟哥教你学linux 阅读详情

相关推荐

UEFI/GPT、BIOS/MBR、DiskPart

将 Windows 部署到 硬盘驱动器分区类型 与 计算机固件接口 相匹配的设备上。

山茶树和葡萄树 1209

UEFI/GPT分区

UEFI/GPT分区及代码实现

lhlhlhlhlh009的博客 3335

Windows UEFI/GPT分区结构配置

UEFI(Unified Extensible Firmware Interface)中文名称为统一可扩展固件接口,是适用于计算机的标准固件接口。UEFI 是BIOS 的一种升级替代方案,旨在提升应用程序交互性和突破 BIOS 的限制。2013年之后的生产的计算机基本都集成了 UEFI固件。UEFI 在计算机中的位置:UEFI 最初由 Intel 公司于 2000 年发布,当时名为 EFI(Extensible Firmware Interface)。

悦分享 1865

什么是MBR/UEFI/GPT?MBR与UEFI具体区别是什么?

MBR最初是为DOS系统设计的,但现在几乎所有的操作系统都使用MBR作为启动方式,包括Windows、Linux、Unix等。

Rocky006的博客 2万+

基于OpenSSL的CA建立及证书签发(签发多域名/IP)

自签SSL证书(多域名/IP) 本文基于以下环境: 内核信息:Linux zabbix 3.10.0-957.el7.x86_64 #1 SMP Thu Nov 8 23:39:32 UTC 2018 x86_64 x86_64 x86_64 GNU/Linux 系统版本:CentOS Linux release 7.6.1810 (Core) OpenSSL版本:OpenSSL 1.0.2k-fips 26 Jan 2017 【前言】 在基于OpenSSL的CA建立及证书签发一文中(后面统.

hobby云说 4648

时空双重机器学习在环境政策评估中的创新应用

因果推断是数据分析中的核心问题,特别是在环境政策评估领域。传统方法如差异分析法(DID)在处理时空维度上的复杂相关性时存在局限。机器学习技术,特别是双重机器学习(DML),通过分阶段建模有效解决了混杂变量问题。结合贝叶斯加性回归树(BART)的灵活建模能力,可以更准确地捕捉空间和时间模式。这种时空双重机器学习(ST-DML)方法在柬埔寨森林砍伐案例中表现出色,通过Wendland基函数有效处理了空间自相关问题。该技术框架不仅适用于环境政策评估,还可扩展至空气质量、水资源管理等其他领域,为政策制定提供更精准的

weixin_28685045的博客 347

【干货】BIOS、UEFI、MBR、GPT、GRUB 到底是什么意思?

公众号关注「开源Linux」回复「学习」,有我为您特别筛选的学习资料~01 前言在学习 Linux 系统启动原理之前,我们先了解下与操作系统启动相关的几个概念。02 与操作系统启动相关的...

关注微信公众号【开源Linux】,后台回复『10T』,领取10T学习资源大放送,涵盖Linux、虚拟化、容器、云计算、网络、Python、Go等书籍和视频 3384

AGX Orin 部署PyTorch与Torchvision 2026避坑指南

本文提供了2026年在AGX Orin开发板上部署PyTorch与Torchvision的详细避坑指南。针对ARM64架构和JetPack 6.2系统,重点解决了Python 3.10环境配置、官方wheel包安装、torchvision源码编译等关键步骤,并分享了常见问题解决方案和性能优化技巧,确保深度学习环境稳定运行。

sky77的博客 753

windows10 +传统模式BIOS+MBR硬盘(UEFI+GPT) 上安装ubuntu1804

传统的主板就是传统 BIOS,可在使用 MBR 分区表的硬盘(俗称 MBR磁盘,就是传统常用的模式)上安装32或64位操作系统。同时也支持使用 GUID 分区表的硬盘(俗称GPT磁盘),但该硬盘上不能安装操作系统。 新型主板使用 UEFI BIOS,只能在使用 GUID 分区表的硬盘(俗称GPT磁盘)上安装64位操作系统。同时也支持 MBR 磁盘,但该硬盘上不能安装操作系统。 因此,无论主板是...

专心扫地 1万+

OpenCV快速入门:绘制图形、图像金字塔和感兴趣区域

OpenCV是一个强大的计算机视觉库,广泛应用于图像处理、计算机视觉和机器学习等领域。本文将介绍OpenCV中的一些基础功能,包括如何绘制图形、创建图像金字塔以及如何处理感兴趣区域(ROI)。

吾家有猫名探花的博客 1965

Python小白避坑指南:用Ursina做3D图形,Entity的scale和color参数到底怎么调才不出错?

本文详细解析了Python Ursina引擎中Entity对象的scale和color参数调优技巧,帮助3D图形编程初学者避开常见陷阱。通过对比实验和典型场景分析,深入讲解三种缩放方式的区别、颜色定义的四种方法,以及参数组合的协同效应,助力开发者精准控制3D图形表现。

weixin_26782929的博客 413

BIOS, CMOS, UEFI, MBR, GPT, GRUB 介绍

本文介绍了操作系统启动相关的核心概念。首先解释了BIOS(基本输入输出系统)和CMOS(存储BIOS设置的存储器)的区别与联系;其次对比了传统BIOS与新一代UEFI固件接口的特性;然后详细说明了MBR和GPT两种磁盘分区格式的差异及适用场景;最后介绍了GRUB多系统引导程序的功能。文章指出,现代系统通常采用BIOS/UEFI混合模式以兼容不同分区格式,而GRUB2已成为Linux主流引导程序。这些概念共同构成了操作系统启动的基础知识体系。

人无远虑,必有近忧 5347

第3章 基于三电平空间矢量的中点电位平衡策略

本文档深入探讨了基于三电平空间矢量的中点电位平衡策略。重点在于NPC型三电平逆变器的中点电位平衡问题,由于三电平结构的特点,使得直流侧两个电解电容器的充放电不均匀导致中点电压不均衡。文章通过对不同矢量作用下电流、电压的变化进行了详细的定量和定性分析,并提出了利用冗余小矢量的合理配置以及引入调制因子来解决中点电位偏移的方法,确保中点电压在一个完整的开关周期内的稳定性,进而提高系统的可靠性。

嵌入式老牛的博客 2185

BIOS、UEFI、MBR、GPT、GRUB……

简介 BIOS(Basic Input/Output System)和UEFI(Unified Extensible Firmware Interface)是不同的计算机启动固件(Fireware),需要硬件(通常为主板)支持,相互代替的,其中UEFI 是比较新的方式。可以通过下面图片对这两个概念先有个直观了解: BIOS: BIOS: BIOS(Basic Input/Output System):在IBM PC兼容系统上使用,是一种业界标准的固件接口。这种主板类型大家应该比较熟悉,老一点的机器都是使.

weixin_42238387的博客 2940

实战:RK3568 Android14 调试 ES8388 音频驱动 (MIC 篇)

这个板子的MIC设计使用了硬件自动切换方案,极大简化了软件层面的逻辑。我们不需要根据耳机插拔事件去编写复杂的路由切换代码,只需要守住 LIN1/RIN1 这一个入口,配置好增益,剩下的交给那颗 SGM3157 芯片即可。祝您的录音功能调试顺利!

qq_33427070的博客 1688

RT-DETR改进策略【卷积层】| CVPR-2020 Strip Pooling 空间池化模块 处理不规则形状的对象 含二次创新

一、本文介绍 本文记录的是利用Strip Pooling模块优化RT-DETR的目标检测网络模型。Strip Pooling结合了长而窄的卷积核形状在一个空间维度上的长程关系捕捉能力和在另一个空间维度上的局部细节捕捉能力,有效地处理复杂的场景信息。这一机制通过采用1×N1×N1×N或N×1N×1N×1的池化核形状来适应不同的图像特征,提高模型对目标形状和分布的适应性。在场景解析网络中,Strip Pooling可以被用于提升对具有长程带状结构或离散分布目标的解析能力,特别是在复杂场景或不同对象布局条件下效果

Limiiiing的博客 582

电脑引导那些事(1)--BIOS,UEFI,MBR,GPT都是些啥?

根据我4年装系统、从不过夜的经验,对现在电脑的引导认识,尤其是新买的电脑,基本都是UEFI主板,我认为这篇文章有写的必要,也总结我在其中的一些经验。鉴于本人非专业人士,难免有错误,望大家指出。

bboxhe的专栏 1万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

MSDOS(MBR)、GPT、BIOS、UEFI

磁盘盘上面又可细分出扇区(Sector)与磁道(Track)两种单位, 其中扇区的物理量设计有两种大小,分别是512bytes 与4Kbytes。 而通常磁盘可能有多个磁盘盘,所有磁盘盘的同一个磁道我们称为磁柱(Cylinder), 通常那是文件系统的最小单位,也就是分区槽的最小单位 整颗磁盘的第一个扇区特别的重要,因为他记录了整颗磁盘的重要信息! 早期磁盘第一个扇区里面含有的重要信息我们称为 MBR (Master Boot Record) 格式,但是由于近年来磁盘的容量不断扩大,造成读写上的一些困扰,.

aiyueyueaoe的博客 2571

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

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")

BIOS和UEFI的区别,系统安装引导以及MBR和GPT磁盘分区

前言 安装系统是计算机专业的日经操作,然而就算你是身经百战,也可能会遇到各种各样棘手的问题,对系统的启动流程也是似懂非懂(俺也一样),每次碰到问题都会花去大量的时间去查询解决方案,最后很多时候都免不了进PE,清硬盘,再重装。也没有看到一个系统、全面讲解这方面知识的博客或者书籍,从网上各个地方搜集的资料都太零散,不成系统,因此这里开一篇博文记录和分析平时系统安装的心得经验和里面的计算机基础知识,并保存一些很有价值的博文资料链接,文中或许有很多理解错误或者不当之处,请读者批评指正,或者读者对安装系统过程中的什么

u013238941的专栏 6111

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

主板uefi和传统引导方式区别_Legacy BIOS、UEFI、MBR、GPT:到底是什么?又有怎样的关系?...

Legacy BIOS 和 UEFI 是什么?MBR 和 GPT 又是什么?四者又有怎样的关系?倒腾电脑、安装系统时,常听大神们聊到Legacy BIOS、UEFI、MBR、GRT等专业术语,对电脑小白而言,常常一头雾水。下文将详细介绍 Legacy BIOS、UEFI、MBR、GPT 到底是什么?有何关系?让你从小白秒变老司机!一、Legacy BIOS、UEFI①Legacy BIOS、UEF...

weixin_42411715的博客 2028

装系统:UEFI 与 BIOS 引导启动,MBR 与 GPT 格式化磁盘

一、MBR 与 GPT MBR是传统的分区表类型,缺点是不支持容量大于2T的硬盘。GPT最大支持18EB的硬盘,是基于UEFI使用的磁盘分区架构。目前所有的Windows系统均支持MBR,但GPT却只有64位系统才能支持。 BIOS只支持MBR引导系统,而GPT仅支持UEFI引导系统。所以,现在电脑的主板大多采用BIOS集成UEFI,或UEFI集成BIOS的方式...

weixin_41565755的博客 1万+

BIOS MBR UEFI GPT详解

当计算机开机时,BIOS将读取MBR中的引导程序,并将控制权交给引导程序,引导程序再根据分区表信息加载操作系统引导程序,最终启动操作系统。因此,MBR是计算机启动的关键。MBR最初是为DOS系统设计的,但现在几乎所有的操作系统都使用MBR作为启动方式,包括Windows、Linux、Unix等。需要注意的是,UEFI的引导方式与MBR的BIOS引导方式有很大的不同。UEFI支持64位CPU、多核心处理器、大容量硬盘等新技术,可以提供更好的系统启动、固件更新、硬件诊断、安全性等方面的支持。

一直被模仿,从未被超越 2539

[windows系统安装/重装系统][step-2]BIOS设置UEFI引导、磁盘分区GPT分区、安装系统[含完整操作拍照图片]

根据前一篇做好U盘启动盘和准备好系统镜像,就可以进行系统重装了,这一篇将带来BIOS设置UEFI引导进入PE系统,分区设置GPT方式,磁盘快速分区,系统重装等,以及分区方案的介绍

浣花御劍 1万+

Legacy引导转UEFI引导(BIOS、Legacy引导、UEFI引导、GPT/MBR分区)

文章目录操作系统相关名词1、BIOS2、UEFI/Legacy引导方式Legacy(传统引导方式/就是BIOS引导)UEFI判断自己引导方式3、MBR/GPT分区形式MBRGPT不同系统对GTP的支持情况4、更改Legacy引导到UEFI引导 操作系统相关名词 1、BIOS 基本输入输出系统(Basic Input Output system,BIOS):BIOS是个人电脑启动时加载的第一个软件,它是一组固化到计算机内主板上一个ROM芯片上的程序。 作用: 它保存着计算机最重要的基本输入输出的程序、开机

暴雨梨花博客 8493

BIOS系统的UEFI和Legacy模式,硬盘的GPT和MBR格式

首先先了解以下BIOSBIOS: 全称 Basic Input Output System,中文名:“基本输入输出系统”。 是什么: BIOS是个人电脑启动时加载的一个软件;具体点就是:一组固化到计算机内主板上和一个ROM芯片上的程序。 有什么用: 他保存着计算机最重要的基本输入输出的程序、开机后自检程序和系统自启动程序,它可从CMOS中读写系统设置的具体信息,从而达到为计算机提供最底层...

XH的博客 3983
上一篇: Linux系列讲解 —— 对装有Ubuntu18.04系统的硬盘进行数据迁移
下一篇: Android系统 —— 编译framework.jar并将其替换到目标机器中
星际工程师
博客等级 码龄9年 1万+粉丝 57原创
评论
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

打赏作者

星际工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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