我用GPT干的18件事!

我用 ChatGPT 干的 18 件事!_chatgpt的18种使用方法csdn 用途:当我们来到一家新的公司,发现前任工程师留下了一摊谁都看不懂的代码,这时候,如果有个人能帮我们解释一下这些代码是什么意思,那简直不要太开心。备注:上一个代码解释,我们可以看到,答案或许受到了代码中注释的影响,我们删掉注释,再来一次。该算法将时间序列中的每个数据点都看作是来自一个正态分布,通过计算每个数据点与其临接数据点的平均值和标准差,可以获得Z-score。并将其用于检测异常值,将z-score大于3的数据点视为异常值,缺点:如果异常点太多,则该算法的准确性较差。:param y: 输入列表。 阅读详情

给大家整理了 18 种 ChatGPT 的用法,看看有哪些方法是你能得上的

  • 语法更正

  • 文本翻译

  • 语言转换

  • 代码解释

  • 修复代码错误

  • 作为百科全书

  • 信息提取

  • 好友聊天

  • 创意生成器

  • 采访问题

  • 论文大纲

  • 故事创作

  • 问题类比

  • 创建 SQL 需求

  • 情感分析

  • 将产品描述转变为广告

  • 关键字提取

  • 闲聊机器人

语法更正

用途:文章、论文等润色。

a42bd6afd3fe0790a102cc131e1d4f7a.png

文本翻译

用途:日常学习、商务翻译等。

95a06091cf85216de09d474f72ee4f76.png

语言转换

Python–>JAVA

用途:工作用途,不同语言工程师之间的合作,更加方便。

import numpy as np
import plotly.express as px

def thresholding_algo(y, lag, threshold):
    """
    :param y: 输入列表
    :param lag: 滑动窗口大小
    :param threshold: 调节系数,用于调节容忍范围的大小。
    :return:
    """
    # signals:信号列表
    signals = np.zeros(len(y))
    avgFilter = np.zeros(len(y))

    # 初始化平均值列表、差值列表
    avgFilter[lag - 1] = np.mean(y[0:lag])
    dif_li = [0] * len(y)

    for i in range(lag, len(y)):
        if i < len(y) - lag - 30:
            for j in range(i + 11, len(y)):
                if y[j] >= y[i - 1]:
                    break
            if j >= len(y) - 30:
                back = y[i - 1]
            else:
                back = np.mean(y[j + 11:j + 20 + lag])
        else:
            back = y[i - 1]

        # 前后均值差值计算
        tmp = abs(back - avgFilter[i - 1])
        dif = (tmp if tmp > 1 else 1)

        if abs(y[i] - avgFilter[i - 1]) > dif * threshold:
            signals[i] = (1 if y[i] > avgFilter[i - 1] else -1)
            avgFilter[i] = np.mean(y[(i - lag):i])
            y[i] = avgFilter[i - 1]
        else:
            signals[i] = 0
            avgFilter[i] = np.mean(y[(i - lag):i])

        dif_li[i] = dif

    return dict(signals=np.asarray(signals),
                avgFilter=np.asarray(avgFilter),
                y=np.asarray(y),
                dif=np.asarray(dif_li),
                )
070ea767aca2d10ab334561abdbfcf66.png
public static Map<String, double[]> thresholding_algo(double[] y, int lag, double threshold) {

    double[] signals = new double[y.length];
    double[] avgFilter = new double[y.length];
    Arrays.fill(avgFilter, 0.0);

    avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
    double[] dif_li = new double[y.length];
    Arrays.fill(dif_li, 0.0);

    for (int i = lag; i < y.length; i++) {
        int j;
        if (i < y.length - lag - 30) {
            for (j = i + 11; j < y.length; j++) {
                if (y[j] >= y[i - 1]) {
                    break;
                }
            }
            double back;
            if (j >= y.length - 30) {
                back = y[i - 1];
            } else {
                back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));
            }
        } else {
            back = y[i - 1];
        }

        double tmp = Math.abs(back - avgFilter[i - 1]);
        double dif = tmp > 1 ? tmp : 1;

        if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {
            signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;
            avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
            y[i] = avgFilter[i - 1];
        } else {
            signals[i] = 0;
            avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
        }

        dif_li[i] = dif;
    }

    Map<String, double[]> result = new HashMap<>();
    result.put("signals", signals);
    result.put("avgFilter", avgFilter);
    result.put("y", y);
    result.put("dif", dif_li);

    return result;
}

private static double mean(double[] array) {
    double sum = 0.0;
    for (double d : array) {
        sum += d;
    }
    return sum / array.length;
}

代码解释-1

用途:当我们来到一家新的公司,发现前任工程师留下了一摊谁都看不懂的代码,这时候,如果有个人能帮我们解释一下这些代码是什么意思,那简直不要太开心。

6b0436f60c14bfb13a67ea4220763d70.png
def Fusion_algorithm(y_list):
    """
    最终的融合算法
    1、第一次遍历列表: 处理掉小于上一个值的点,使其等于上一个值。
    2、第二次使用z-score来处理异常点:一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法,比如Z-score和移动平均线
    该算法将时间序列中的每个数据点都看作是来自一个正态分布,通过计算每个数据点与其临接数据点的平均值和标准差,可以获得Z-score
    并将其用于检测异常值,将z-score大于3的数据点视为异常值,缺点:如果异常点太多,则该算法的准确性较差。
    3、
    :param y_list: 传入需要处理的时间序列
    :return:
    """
    # 第一次处理
    for i in range(1, len(y_list)):
        difference = y_list[i] - y_list[i - 1]
        if difference <= 0:
            y_list[i] = y_list[i - 1]
        # 基于突变检测的方法:如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值,
        # 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法,如Z-score突变检测、CUSUM(Cumulative Sum)
        # else:
        #     if abs(difference) > 2 * np.mean(y_list[:i]):
        #         y_list[i] = y_list[i - 1]

    # 第二次处理
    # 计算每个点的移动平均值和标准差
    ma = np.mean(y_list)
    # std = np.std(np.array(y_list))
    std = np.std(y_list)
    # 计算Z-score
    z_score = [(x - ma) / std for x in y_list]
    # 检测异常值
    for i in range(len(y_list)):
        # 如果z-score大于3,则为异常点,去除
        if z_score[i] > 3:
            print(y_list[i])
            y_list[i] = y_list[i - 1]

    return y_list
0e26236954b1d50549fdfce7f032317b.png

代码解释-2

备注:上一个代码解释,我们可以看到,答案或许受到了代码中注释的影响,我们删掉注释,再来一次。对于解释中一些不懂的点,我们可以连续追问!

bcfac4818d3186de8a7a24e81f99b3cd.png
import numpy as np
from sklearn.ensemble import IsolationForest
import plotly.express as px
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import json

def Fusion_algorithm(y_list):
    for i in range(1, len(y_list)):
        difference = y_list[i] - y_list[i - 1]
        if difference <= 0:
            y_list[i] = y_list[i - 1]
    
        # else:
        #     if abs(difference) > 2 * np.mean(y_list[:i]):
        #         y_list[i] = y_list[i - 1]


    ma = np.mean(y_list)
    std = np.std(y_list)
    z_score = [(x - ma) / std for x in y_list]
    for i in range(len(y_list)):
        if z_score[i] > 3:
            print(y_list[i])
            y_list[i] = y_list[i - 1]

    return y_list
bc238e9c9221ca94acc08f89f5741f2e.png4cb2ba12e28c3747ed33e7af5efd4a2b.png

修复代码错误

用途:写完一段代码后发现有错误?让chatGPT来帮你!

38090282a7a3cc61382258f9c7c3553f.png
### Buggy Python
import Random
a = random.randint(1,12)
b = random.randint(1,12)
for i in range(10):
    question = "What is "+a+" x "+b+"? "
    answer = input(question)
    if answer = a*b
        print (Well done!)
    else:
        print("No.")
a3e0eb018e310d6459987c62ea8996bb.png

作为百科全书

用途:chatGPT可以解释你所有的问题!但是列出小说这个功能有些拉跨,经过测试只有科幻小说列的还可以,其他类型不太行,可能chatgpt训练工程师是个科幻迷!

b85026e134e3eea174f4729d85732ed2.png

信息提取

用途:作为自然语言处理界的大模型,怎么能少得了信息提取呢?

7078266852fa402a73b33738a3ecccb8.png

好友聊天

用途:输入对方性格模拟聊天,这方面功能不太完善,可能有新鲜玩法我还没有挖掘出来。

09d512f96fd5993398791851125d2b1c.png15bcfa668e85b93bd2e40cd62dbec941.png

创意生成器

用途:是不是常常会在创新上遇到思维瓶颈不知道怎么做?不要担心,让chatGPT帮你生成创意!

VR和密室结合

8ec55adbff60ce00d6687073be0967a9.png

再结合AR

817a79c6296ecc6ef2780f95be3a2812.png

采访问题

用途:可能您是一个媒体工作者,采访问题不知道怎么写?chatGPT可以帮您解决。

采访问题清单

105b7bccc7a5bf1680d75bcf1cb9afde.png

采访问题清单并给出相应答案

9d4e72c82bd7a21f62a0b0d6cdc20bd2.png

论文大纲

用途:这个功能对于研究生简直不要太爽了,一直在郁闷大纲怎么写,直接列出来大纲简直帮了我天大的忙!对于大纲中不理解的点,直接要求chatGPT给出进一步解释。代码也可以有!那一章的内容不太会写,直接让chatGPT安排,这样,一篇论文很快就写出来啦!

创建论文大纲

b8e1025effc768276254b737268ab2e5.png

解释大纲内容

3f5f28c509fff224cd354c4b9faefe37.png
class PBA(nn.Module):
    def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):
        super(PBA, self).__init__()
        self.PerformanceThreshold = PerformanceThreshold
        self.DistributionType = DistributionType
        self.AttentionWeightRange = AttentionWeightRange
        
    def forward(self, input, performance_scores):
        # 计算注意力分数
        attention_scores = []
        for i in range(len(input)):
            if performance_scores[i] > self.PerformanceThreshold:
                attention_scores.append(performance_scores[i])
            else:
                attention_scores.append(0.0)
                
        # 将性能分数映射到注意力权重
        if self.DistributionType == "softmax":
            attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)
        elif self.DistributionType == "sigmoid":
            attention_weights = torch.sigmoid(torch.tensor(attention_scores))
        else:
            raise ValueError("Unknown distribution type: {}".format(self.DistributionType))
        
        # 缩放注意力权重到指定范围
        attention_weights = attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]
        
        # 计算加权输入
        weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))
        output = torch.sum(weighted_input, dim=0)
        
        return output

故事创作

用途:这个功能真的太太太棒了,以后我自己列提纲出来就可以写小说啦!

爱情故事

5aa1ab49466956b7b8a5cb935f023d3d.png

恐怖故事

7db8261e5626cd2b7c1cdf16e7ffbaf1.pngdcc508f3f7456465dcf8c269cf333ae4.png

问题类比

用途:当你想要做一个比喻时,这是一个很棒的功能。

25ece5e5675ad4d7cbde7afb21164f15.png

创建SQL需求

用途:写SQL有时候挺头疼的,想好久想不起来。

309b0df0d48ddc85a21d51c439e0f587.png

情感分析

用途:这个功能让我想起来在之前公司做的情感分析任务了。

3ddc182c83ad93e6940c69eb682aaba6.png

将产品描述转变为广告

用途:这个功能对于商家来说太棒了。

f51c24c9d9cca5ccbb678b5a0aff0dc0.png

关键字提取

用途:NLP任务的重要作用,关键字提取!

d5f8d958750a22d28110217ea1a7dd45.png

闲聊机器人

用途:这个不多说了,用来闲聊体验感真的很不错。

8618d846124300c760414205f4aa05a0.png

转自:https://blog.youkuaiyun.com/weixin_42475060/article/details/129399125


最后推荐一下我们的专栏
一个人学习GPT费时费力,而且遇到问题没有人可以商量,交流和指导,浪费了大量的时间和精力。原价299,目前早鸟的价格是129元(内容永久有效),满100人涨10,一直涨到原价。目前很多星球都是起步几百,我们这个很便宜了。微信联系小编:coder_v5
目前手上还有少量的内含5美金的GPT账号(可修改密码),大家知道注册越来越困难。这个账号市场价格已经炒到了40元一个。


内容会持续推出,扫码加入,越早加入越划算!
往期推荐:
通过ChatGPT进行副业赚钱的5个技巧!
玩的停不下来!!用Python+ChatGPT打造超强的微信机器人!
ChatGPT4已经来了,30秒做一个弹球游戏!
靠ChatGPT赚了3000块!
强的离谱!别玩啥Bing了!我把Google和ChatGPT4合二为一!
推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径
干货:爬取豆瓣短评,电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街!唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 |用Python做个海量小姐姐素描图 |碟中谍这么火,我用机器学习做个迷你推荐系统电影
趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火,我用机器学习做个迷你推荐系统电影
小工具: Pdf转Word,轻松搞定表格和水印! | 一键把html网页保存为pdf!|  再见PDF提取收费! | 用90行代码打造最强PDF转换器,word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器! |60行代码做了一个语音壁纸切换器天天看小姐姐!|
UEFI+双GPT分区硬盘安装Ubuntu18.04 设备介绍 1.电脑:Win10已经装在一个固态硬盘上,i7第7代,8G内存 2. 存储:256固态(刚买来就装的Win10)+1T机械(当时刚安装的时候无意进行MBR分区,用时间久了里面东西多了,也没办法弄成GPT的格式)+250固态(新装,打算装Ubuntu18.04) 2.显卡: Nvidia1050Ti+集成显卡(忘了叫啥,intel的好像) 基础知识介绍 UEFI : 与之对应的是L... 阅读详情

相关推荐

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...

caixiong的博客 6755

我用GPT干的18件事!附资料和教程

我用GPT干的18件事!附资料和教程

tingting11232的博客 342

重磅!GPT-4o和GPT-4o mini开放微调!每天免费100万tokens!

重磅!GPT-4o和GPT-4o mini开放微调!每天免费100万tokens!

hunteritself的博客 2667

用GPT干的18件事

那一章的内容不太会写,直接让chatGPT安排,这样,一篇论文很快就写出来啦!但是列出小说这个功能有些拉跨,经过测试只有科幻小说列的还可以,其他类型不太行,可能chatgpt训练工程师是个科幻迷!用途:当我们来到一家新的公司,发现前任工程师留下了一摊谁都看不懂的代码,这时候,如果有个人能帮我们解释一下这些代码是什么意思,那简直不要太开心。备注:上一个代码解释,我们可以看到,答案或许受到了代码中注释的影响,我们删掉注释,再来一次。让chatGPT来帮你!用途:工作用途,不同语言工程师之间的合作,更加方便。

博客 515

【读书笔记】从GPT-1到 GPT-4,GPT发展史

训练模型,使模型能够学习输入与输出之间的映射关系,从而对新的未知数据进行预测。

maomaolaoshi的博客 1230

Android 以太网802.1x 配置

802.1X认证网络配置摘要:本文介绍了通过wpa_supplicant.conf文件配置802.1X企业网络认证的两种方法:PEAP-MSCHAPv2方式和TLS方式。PEAP方式需设置SSID、用户名、密码,可选择是否验证CA证书;TLS方式则需要配置客户端证书、私钥及CA证书路径。文件配置完成后需设置权限并重启设备。最后提出如何验证802.1X配置是否生效的问题,但未给出具体验证方法。该配置适用于需要802.1X认证的企业网络环境。

zhaoyufei133的博客 460

用GPT干的18件事,能够真正提高学习生产力,建议收藏

用GPT干的18件事,能够真正提高学习生产力,建议收藏。

代码讲故事 411

头歌工程实训答案-机器学习篇之手写体识别篇

第2关:激活函数'''x:负无穷到正无穷的实数'''if x<=0:return 0else:return x#***第3关:反向传播算法import os。

m0_71537260的博客 2521

我用GPT干的18件事

语法更正文本翻译语言转换代码解释修复代码错误作为百科全书信息提取好友聊天创意生成器采访问题论文大纲故事创作问题类比创建 SQL 需求情感分析将产品描述转变为广告关键字提取闲聊机器人。

m0_73546099的博客 119

单细胞分析实战:用R语言绘制带连线的堆叠柱状图(附完整代码)

本文详细介绍了如何使用R语言绘制带连线的堆叠柱状图进行单细胞转录组数据分析,特别适用于展示细胞比例变化趋势。通过完整代码示例和实战技巧,帮助研究者优化多组别比较的可视化效果,提升科研图表质量。

yhn4567890的博客 390

zynq7020的arm A9核降频实录

zynq arm9 cortex a9 降频

qq_40011737的博客 8766

我用ChatGPT干了这18件事!格局一下打开了

因公众号更改推送规则,请点“在看”并加“星标”第一时间获取精彩技术分享点击关注#互联网架构师公众号,领取架构师全套资料 都在这里0、2T架构师学习资料干货分上一篇:2T架构师学习资料干货分享大家好,我是互联网架构师!你确定,你会使用 ChatGPT 了吗?今天给大家整理了 18 种 ChatGPT 的用法,看看有哪些方法是你能得上的。语法更正文本翻译语言转换代码解释修复代码错误作为百科全书信息提取...

emprere的博客 338

大厂面经:大疆嵌入式面试题及参考答案(4万字长文:持续更新)

目录 Linux 系统调用的过程,中间发生了什么? 表格总结 Linux 中断流程,谈谈你对中断上下文的理解 中断流程 中断上下文理解 Linuxschedule()函数的原理和调用的时机 schedule()函数原理 调用时机 页表实现机制,分页的缺点? 页表机制 分页的缺点 介绍操作系统的多级反馈调度策略,时间片轮转,在项目中如何指定优先级来调度进程完成快速响应(nice命令) 多级反馈队列调度 时间片轮转 使用nice命令 聊内存分配,进程内存分配,段页式存

大模型大数据攻城狮的专栏 4172

GPT系列学习笔记:GPT、GPT2、GPT3

GPT、GPT2、GPT3的区别和联系。

xiyou__的博客 1万+

使用 PLS 回归进行近红外光谱的异常值检测

在光谱数据中,并非每个数据点都是有效的,因此,在构建模型时找到与大部分数据不符合的数据点是一种必要的操作。这些数据我们称之为。在这篇文章中,我们将使用PLS回归进行红外光谱数据的异常值检测。

qq_44204759的博客 1424

GitLab CI/CD .gitlab-ci.yml 关键词(十一):发布版本 release

本篇文章介绍使用GitLab CI/CD 发布一个版本,对外发布。并填写一些发布的信息。

知无涯 4725

【Y9000x】单硬盘UEFI+GPT基于Win10安装Ubuntu18.04

【Y9000x】单硬盘UEFI+GPT基于Win10安装Ubuntu18.04

feng_zhiyu的博客 2925

基于Simulink的无线充电系统LCC补偿网络建模与控制

本文详细介绍了基于Simulink的无线充电系统LCC补偿网络建模与控制方法。首先分析了无线充电系统面临的核心挑战,提出LCC补偿网络解决方案,阐述了其恒流输出和输入阻抗解耦原理。通过Simulink分步演示了系统建模过程,包括松耦合变压器、LCC+LC补偿网络、功率变换级搭建以及频率跟踪控制实现。仿真结果表明,LCC补偿系统在气隙变化和负载跳变下能保持输出电压稳定(波动±3%),效率达89%。文章还总结了工程实现要点,并探讨了动态充电、多负载系统等扩展应用。该教程为开发高效智能的无线充电系统提供了实用指导

amy_mhd的博客 64

关于 GPT必须知道的10 个认知!

然后你会发现,GPT-4 给你带来的生产力提升会令你惊奇。不要问 GPT-4 那些泛泛而谈的问题,问那些,你自然得到的不是专属于你的作品,而是套话废话。GPT-4 特别像一面镜子。它反映的是你过往的认知与积累。如果你是一个博学的理性思维者,那么你看到的是 GPT 给你带来的生产力跃迁;如果你是一个游手好闲的玩家,那么你看到的是 GPT 与你侃大山带来的乐趣。除此之外,还可以给大家一些建议:1、所有的年初计划都要推翻重做,因为当初的年初计划少了一个时代大变量的改变。

2301_76971675的博客 2235

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【windows10】 (UEFI+GPT)windows10安装ubuntu18.04双系统

【windows10】 windows10安装ubuntu18.04双系统1.背景 1.背景 在windows10的PC上安装ubuntu18.04,最终PC上兼容了双系统windows10/ubuntu; 本博客使用的是启动U盘进行ubuntu系统安装,启动U盘制作,参考: 【windows10】 系统启动盘(启动U盘)制作 https://blog.youkuaiyun.com/jn10010537/article/details/109124976 PC信息;dell G7 7590 BIOS模式:UEFI 硬

jn10010537的博客 3274

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

GPT搜索鸽了!改升级GPT-4

最近OpenAI太反常,消息一会一变,直让人摸不着头脑。奥特曼最新宣布:5月13日开发布会,,也,改成对ChatGP和GPT-4的升级~消息一出,大伙儿都蒙了。之前大张旗鼓给造势,域名、前端界面都准备好了,甚至已经有用户收到灰度测试。大有在谷歌I/O大会(5月14日)前狙击一把谷歌核心业务的架子,就像春节期间用Sora狙击了谷歌大模型Gemini 1.5一样。再加上路透社啊、彭博社啊这些权威媒体也纷纷收到“消息人士”线报,。总之SearchGPT正把全球科技圈挠的心痒痒,然后突然没下文了??

2401_84587944的博客 1135

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

GPT概述

全局唯一标识分区表(GUID Partition Table,缩写:GPT)是一个实体硬盘的分区结构。它是可扩展固件接口标准的一部分,用来替代BIOS中的主引导记录分区表。 传统的主启动记录 (MBR) 磁盘分区支持最大卷为 2.2 TB (terabytes) ,每个磁盘最多有 4 个主分区(或 3 个主分区,1 个扩展分区和无限制的逻辑驱动器)。 与MBR 分区方法相比,GPT 具有更多的优点...

hbcbgcx的博客 7425

在win10 上 安装ubuntu18.04 lts 双系统 UEFI/GPT

网络上关于在windows上安装ubuntu的教程很多。这几天也看教程,安装了ubuntu,但感觉有些教程比较老旧,容易被误导。这里,把我安装过程中遇到的困难以及解决方法说明一下。其实,也很简单,就是做好启动盘,分好区。先说一下自己的笔记本电脑: dell 灵越燃  双硬盘(SSD和机械硬盘)  启动方式是UEFI,硬盘分区模式是GPT1、制作支持UEFI启动的ubuntu安装盘。需要的东西:ru...

u014250897的专栏 1万+
上一篇: 最强解释!Python 包的依赖管理,有解了!
下一篇: 干货!使用Scikit-learn对数据进行预处理!
菜鸟学Python
博客等级 码龄9年 8095粉丝 571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