ubuntu的新手知识

Lumerical官方案例、FDTD时域有限差分法仿真学习(十三)——多模干涉耦合器(MMI) 计算通过 1×2 端口多模干涉 (MMI) 耦合器的宽带传输和光损耗。 使用设备 S 参数在 INTERCONNECT 中创建 MMI 的紧凑模型。 它还展示了如何使用 CML 编译器提取这些参数以生成紧凑模型。 一、概述 了解模拟工作流程和关键结果 低损耗光合路器和分路器是基于 Mach-Zehnder 的光调制器的基本组件,并且是集成电路的关键组成部分。通过在输入/输出波导处使用线性锥形确保输入/输出波导的模式与干涉区域之间的 阅读详情

文件结构

路径功能
/根目录
/bin基本命令
/boot内核,引导文件所在地
/dev设备文件
/etc系统配置文件
/home用户目录
/lib共享库
/lost+found系统恢复文件目录(垃圾站)
/media可移动媒介的挂载点,比如DVD,软盘
/mnt远程文件系统的常规挂载点
/opt添加启动 软件包
/proc进程控制
/rootroot目录
/sbin系统命令
/srv系统服务信息
/sys设备实时信息
/tmp临时文件
/usr应用软件目录
/var变量数据日志文件

apt-get install问题

sudo apt-get install
E: 无法获得锁 /var/lib/dpkg/lock - open (11: 资源暂时不可用)
E: 无法锁定管理目录(/var/lib/dpkg/),是否有其他进程正占用它?

问题原因

  • 之前的apt-get命令执行不完全,(terminal之前强制关闭过?)

解决方法(参考)

  1. sudo rm /var/cache/apt/archives/lock

  2. sudo rm /var/lib/dpkg/lock

  3. 再次执行命令,便可成功。

apt命令

  • 查询软件信息 sudo apt list %%%%* 。

获得root权限

  • ubuntu 默认可以使用sudo -i 进入root权限。

  • sudo passwd root 方法 输入密码和确认密码后,可使用su root 命令,输入密码进行root权限获得。

  • 退出root权限的方法,ctrl+d 可退出权限。

华为eNSP镜像包全集下载,包含CE6800、CE12800、NE系列等! 你好,这里是网络技术联盟站。昨天给大家介绍了win11、10下安装eNSP最新系列(1.3.00)并完美运行,附下载。从文章发布到发文前,一直有朋友想让瑞哥提供一下华为ENSP镜像包,今天安排!eNSP安装包、以及eNSP中所需要的镜像包(设备包)(CE、CX、NE40E、NE5000E、NE9000、USG)例如:导入一个USG设备包,eNSP中的USG5500和USG6000V都是可以启动的。如果你的报错“40”的话,那么打开Oracle VM VirtualBox这个虚拟机,删除对应报错的虚拟机,然后 阅读详情

相关推荐

记录思科cisco交换机升级iso步骤

Cisco Nexus 93180交换机版本升级

a635161812的博客 4378

Ubuntu文件目录

ubuntu根目录下的文件夹有哪些都有什么作用?

qq_63553317的博客 5821

HarmonyOS开发第一步:Dev Eco Studio4.0保姆级安装配置指南(含Node.js环境)

本文提供HarmonyOS开发环境搭建的保姆级教程,重点详解Dev Eco Studio 4.0的安装与配置,并攻克Node.js环境与Ohpm包管理器的关键设置难点。通过清晰的步骤指引,帮助开发者从零开始,高效完成开发环境部署,顺利迈出鸿蒙应用开发的第一步。

lake5的博客 570

Ubuntu全盘备份与恢复,亲自总结,实测可靠

Ubuntu系统全盘备份与恢复,亲自总结,实测可靠初学者在使用Ubuntu这类Linux操作系统时,常常会由于不当操作导致系统崩溃,重装系统是难免的事情。重装系统虽然简单,但是各种软件/环境重新下载、配置相当占用时间,因此有必要对系统同进行备份,以避免将来连哭的地方都找不到。本教程已经由JK小僧在计算机上亲自实践,可以恢复之前Ubuntu系统上的各类软件和环境配置,方法简单,值得推广:一、备份系统

科大一小僧 5万+

【校招】SHL 的 General Ability (GA, 通用能力测试)

SHL 的 General Ability (GA, 通用能力测试) 文章目录SHL 的 General Ability (GA, 通用能力测试)1、归纳推理题1.1 圈圈线条推理1.2 图形颜色位置推理1.3 箭头指向推理2. 数字推理题攻略3. 语言推理题 1、归纳推理题   归纳推理题我把它总结为三种类型:圈圈线条推理;图形颜色位置推理;箭头指向推理。 1.1 圈圈线条推理   你别看这个题目看起来很复杂,其实很简单,而且这个题型的题目背后原理都一样!我把我的 tips 偷偷分享给你们嘿嘿~先从 A

Sunnyside_ 2万+

FAA机载电子硬件审查指南详解(评审和审查必备)

本咨询通告旨在协助认证机构、授权代表(包括组织授权)和申请人执行机载电子硬件评审(以下简称"硬件评审")。硬件评审的目的是评估机载电子硬件是否符合适航要求和建议的符合性方法(即RTCA/DO-254)。本工作辅助文件应作为评审过程中的参考工具使用。它不应被用作检查表,也不包含所有可能需要评审的情况。同样,本工作辅助文件也不是用来替代DO-254,而应与DO-254一起使用。此外,本工作辅助文件可能包含一些不适用于特定项目评估的问题。

qq_41854911的博客 614

ubuntu 系统 备份与恢复(转载)

ubuntu 系统 备份与恢复

Chasing的博客 3367

1. 在 SAP ABAP 事物码 SEGW 里创建 SAP OData 项目

本文介绍如何在 SAP ABAP 事物码 SEGW 里创建 SEGW 项目,使用工具生成 Runtime 运行时需要的资源。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 5451

ubuntu 16 磁盘分区与目录挂载

1. / 10000 M,root 用户的根目录是 /root,登陆提示# 2. home, 5000 M ,普通用户的根目录 /home/用户名,登陆提示¥ 3. usr ,5000 M 4. boot ,500 M,启动文件 5. 交换空间,2000M 6. var ,8000M左右 重要目录的说明 1. home 目录 (1). root 用户的home目录是/roo...

fenyying 899

微信公众号 - 最新详细实现H5网页接入微信支付功能,开发移动端、PC端网站集成使用微信支付流程及示例代码,公众号网页利用JS-SDK/JSAPI/H5支付授权唤起微信支付,可脱离微信环境支付或内置浏

微信公众号,微信支付,网页,移动端,h5,扫码支付,二维码付款,手机网页,电脑pc网页生成支付二维码,js-sdk,jsapi,外部浏览器调起微信支付,脱离微信环境,在微信内置浏览器如何进行微信支付,前端H5微信支付,web网站,vue2,vue3,nuxt2,nuxt3,jquery,微信公众号h5支付流程,如何实现,怎么做,回调报错,redirect_uri参数错误,必须部署才能调试吗,怎么不打包发布就能在本机测试,微信H5支付能力,uniapp微信支付,h5页面调起支付,支付没反应,无效,失败,H5页

🏆 前端领域优质创作者 6107

Dify知识库文档批量下载神器:一键导出所有文件到本地

在使用Dify进行知识库管理的过程中,我们经常遇到一个实际问题:如何将已上传到知识库中的文档批量下载到本地?目前Dify的管理界面虽然功能强大,但暂时没有提供直接的UI界面来批量导出或下载知识库内的文档。这意味着如果我们需要将知识库中的文件备份到本地或进行离线处理,只能通过API接口来实现。本文将详细介绍如何利用Dify的REST API构建一个完整的知识库文档下载解决方案,这也是目前实现知识库文件批量下载到本地的唯一可行路径。🎉进入大模型应用与实战专栏 | 🚀查看更多专栏内容首先,我们需要在Dify的

羊城迷鹿的博客 3475

Ubuntu基础

usr :这是一个非常重要的目录,用户的很多应用程序和文件都放在这个目录下,类似于windows下的program files目录。/mnt :让用户临时挂载别的文件系统的,可以将外部的存储挂载在/mnt/上,然后进入该目录就可以查看里的内容了。/proc :这个目录是一个虚拟的目录,它是系统内存的映射,我们可以通过直接访问这个目录来获取系统信息。/home :存放普通用户的主目录,每个用户都有一个自己的目录,一般该目录名是以用户的账号命名的。/etc :所有的系统管理所需要的配置文件和子目录。

m0_75183922的博客 1157

军品研制过程-转阶段

介绍军品转阶段评审

Abel的博客 2万+

【引用】〔原创〕Ubuntu Linux 新手入门级基础知识须知

注:真心感谢群里 老强 的帮忙,对此文档做的修改和完善!~一. Ubuntu Linux 介绍Ubuntu Linux,是一个基于debian的Linux操作系统。在桌面应用方面,它是众多Linux系统中的一个容易上手的发行版,是目前最流行的一个linux发行版(注:服务器方面的功能也不弱)。二. Ubuntu Linux 有什么优点     和其他流行的 Linux系统,如Fedora,Open

兴华颖挚 715

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

针对新手ubuntu图形化入门教程知识

安全“守护人”:更新管理器 Ubuntu的更新依靠“更新管理器”,它差不多于Windows系统上的“自动更新”程序,但它比“自动更新”程序更强大,它不仅可以安装系统的补丁,也可以安装应用程序的补丁或更新版本。 更新软件的操作很简单,点击GNOME桌面上方控制面板右侧系统托盘区的“更新管理器”图标,也可点击栏目“系统→系统管理→更新管理器”项,...

weixin_33790053的博客 114

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

linux系统 ubuntu入门知识【新手必看!!!】

25、tar是 Linux 中最常用的备份工具,此命令可以 把一系列文件打包到一个大文件中,也可以把一个 打包的大文件恢复成一系列文件。8、echo:配合重定向使用,把本应该在终端中输出的内容,输入到指定文件中。12、管道 | :通过管道,将一个命令的输出,作为另一个命令的输入。24、在linux操作系统中,常用的打包压缩方式是tar.gz。23、在linux系统中,文件名和文件数据是分开保存的。13、chmod可以修改用户、组对文件、目录的权限。echo也可以在创建文件的同时,指定文件的内容。

cptbtptpds的博客 309

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Ubuntu Linux完全自学教程

Ubuntu Linux完全自学教程 【下载地址】UbuntuLinux完全自学教程 《Ubuntu Linux完全自学教程》是专为初学者设计的实用指南,帮助您轻松掌握在虚拟机中使用Ubuntu Linux的核心技能。教程内容全面,从基础知识到简单Shell操作,逐步引导您深入理解这一强大操作系统。无论您是Linux新手...

gitblog_06700的博客 394

Ubuntu的备份和恢复命令

备份系统 # 备份系统的命令: # 首先切换到root用户 sudo su cd / # 先备份系统文件,这里把压缩后的.tar.gz文件放在另外一个硬盘里 # 实际的保存路径需要修改 tar -cvpzf /media/glx/Data1/SysBackups/ubuntu_backup_sys@`date +%Y-%m-%d`.tar.gz --exclude=/proc --exclu...

ThinkOver33 优快云 Blog 3078

快速清除"Lost+Found"目录的方法

 Windows系统:K:/view_123/VOB_Name/lost+found>cleartool find . -type d -name "*.*" -exec "cleartool rmelem -f %CLEARCASE_XPN%" K:/view_123/VOB_Name/lost+found>cleartool find . -type f -name "*.*" -ex

辰风的专栏--Oracle/ClearCase管理员日记 3711

Ubuntu系统备份恢复

文章连接:https://www.cnblogs.com/chenjiye/p/11332387.html在 使用Ubuntu之前,相信很多人都有过使用Windows系统的经历。如果你备份过Windows系统,那么你一定记忆犹新:首先需要找到一个备份工 具(通常都是私有软件),然后重启电脑进入备份工具提供的软件环境,在这里备份或者恢复Windows系统。Norton Ghost是备份Windows系统时经常使用的备份工具。

weixin_50508111的博客 4645

Ubuntu19.04环境下的系统安装+花屏问题的解决

说在前面,本文只做自我总结用,因为一次次重装环境到处找博客看帖实在是太麻烦了,而且网上的博客还良莠不齐,还有好多版本不兼容,本文中的某些图片是截图,某些是照片(在不能截图的情况下),图片比例可能会显示不正常,鼠标移到图片上单击放大查看就可以了~ ubuntu镜像的下载与制作U盘启动工具 镜像的下载传送门:ubuntu iso镜像下载地址 至于U盘启动工具制作,这个比较简单就不赘述了,丢个传送...

漫浸天空的雨色的备忘录~ 4万+

linux中lost+found目录的作用

具体来说,当系统运行文件系统检查和修复命令(如fsck)时,可能会找到一些数据碎片。目录是一个特殊的目录,其作用主要是在系统发生错误时存放一些遗失的数据片段。目录中,你将看到一些由fsck命令生成的文件和目录。这些文件和目录通常具有特殊的文件名,并且是不可读的。在这种情况下,你可能需要寻求专业的数据恢复服务的帮助。3. 如果文件系统存在错误,fsck命令会修复它们并将相关的数据碎片放置在。目录,用来存放fsck过程中部分修复的文件的。据你的实际情况,可能需要替换为其他分区。在Linux系统中,

Hu_wen的专栏 6万+

快速清理垃圾元素lost+found的方法

For  Unix, 例如:$ cleartool rmelem -force  /VOB/lost+found/*.* For Windows, 例如:进到lost+found目录,执行cleartool命令:d:/VOB/lost+found>cleartoolcleartool> rmelem -force *.*注意:Windows平台上cleartool rmelem命令不能在一

辰风的专栏--Oracle/ClearCase管理员日记 2888

Ubuntu系统的安装+ros安装+单ubuntu系统的备份及恢复

一、双系统的安装 1、制作ubuntu的U盘启动盘 2、创建windows的空白分区,是安装ubuntu的那部分空间处于黑白的未分配的状态 3、进行安装 3.1 插入u盘启动盘,然后点击开机按钮;点击按钮后,不断按F2键(不同品牌电脑按键不同,百度自行搜索),知道进入BIOS界面。 3.2 进入BIOS界面后,选择u盘启动盘(一般是UEFI启动),然后选择Install Ubuntu 3.3 选择系统语言 3.3 选择键盘模式 3.4 链接WIFI 3.5 选择正常安装,并安装第三方软件和WIFI

weixin_58207716的博客 5911

Linux系统学习——ubuntu系统备份与恢复

1 转载说明 本博文为转载,注明转载地址: [https://www.cnblogs.com/alexanderkun/p/5008514.html](https://www.cnblogs.com/alexanderkun/p/5008514.html) 2 系统备份 我该如何备份我的Ubuntu系统呢?很简单,就像你备份或压缩其它东西一样,使用TAR。和Windows不同,Linux不会限制...

高自强的博客 2823

Ubuntu 常见修复命令

1、在桌面添加‘’计算机‘’主文件夹‘’回收站‘’图标的操作: 按ALT+F2,运行程序gconf-editor打开配置编辑器 选择apps→nautilus →desktop 勾选computer_icon_visible、home_icon_visible和trash_icon_visible边上的复选框。 马上就会在桌面上看到效果。 2、非常有用的清除系统垃圾文件命令: 终

超 1万+
上一篇: c#窗体小白知识(1)
下一篇: 关于http
Intangible_moon
博客等级 码龄12年 2粉丝 13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
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