Y450安装Snow leopoard简单教程分享 2012/1/20

ccy0013 ccy0013 博客等级 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 1k累计阅读 1.1k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 码龄17年
关注
转载 最新推荐文章于 2026-11-12 23:40:11 发布 1k 阅读 AI 写同款· GEO 优化 ›
深入大模型-52-Harness综述之(二)四大子系统 一个Harness都由四个子系统拼成,Agentic Loop是主干，四个子系统是Tool系统、Memory & Context、Guardrails，再加上一个把它们优雅组织起来的Skill系统。 阅读详情

        前些天玩着玩着ipad觉得苹果的系统很多方面真心不错，很人性化，里面的应用也很是打破思维，颇有感慨，遂决定在小Y上装下mac os x snow leopard，进一步接触苹果的系统与应用。似乎我运气不错，Y450恰好有不少前辈开发出苹果系统的安装方法，在这里先分享一下我用的教程（我这个在mac os方面的小白按照教程一步一步来，一次成功哦），在下一篇文章里我会写一下自己按教程安装时遇到的最为头疼的一个问题及解决办法~如何在不重装系统的前提下，将IDE模式下装的WIN7的SATA MODE改为AHCI。


       再次声明~以下内容均转自远景论坛，仅作个人学习之用~


====================================================================================================================================

        原文链接：http://ideapad.zol.com.cn/44/160_436305.html

====================================================================================================================================

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）  二级精华
此帖对" 联想IdeaPad"的评论

QQ讨论·一群100539063（此群已满）

       二群19968086

          送大家一套Windows7背景216张和火影背景26张http://u.115.com/file/f418b781d6
Windows7.rar

声明：不再加QQ好友，因为加的好友总是偷我的菜和贴我的车，气愤 

几经周折安装好了苹果系统，特给大家分享下简要经验。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片2

系统下载地址：http://www.verycd.com/topics/2778507/

必备软件： Java VM （运行HFS-explorerv必须先安装这个软件）

HFS-explorer v0.21 （修改下载来的系统使用）

Leopard硬盘安装助手v0.3 （提取系统到硬盘使用）

MacDrive v8.0.4  （可以读写雪豹系统内的文件。试用7天，激活的话http://ideapad.zol.com.cn/44/160_437280.html）

Bootthink v2.4.6  http://u.115.com/file/f45ea390da（引导安装使用）

OSInstall文件（Windows默认使用MBR分区，而苹果只允许安装在GPT（GUID）分区，利用此文件使其能安装在MBR分区表下）

小Y在雪豹下的驱动，包括触控板，声卡，网卡，显卡（包括240M显卡）http://u.115.com/file/f48dc7a12c
Extensions.rar（使用方法后面会提到）

看到几个网友留言说有几个软件无法下载，再传个所有软件的下载地址给大家：http://u.115.com/file/f4ed831908
装机软件集.rar

Y系列的都是5787的网卡，要在32位内核中才能上网，启动雪豹系统前按f8 输入－x32 回车进入系统后打开终端输入命令激活网卡才能上网。sudo nohup tcpdump -i en0 > /dev/null 输入后回车，然后输入自己的系统密码回车就可以上网了。（更简单的方法在下面）

Now

  1：创建分区 

首先安装系统前需要分出一个7G和一个15G以上的两个分区，方法很多，推荐用Windows7自带磁盘管理，非常方便 右键我的电脑—管理—磁盘管理， 瞄准一个你认为空间很富裕的分区右键—压缩卷

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片3

 

然后右键点击未分配空间—新建简单卷，点击下一步创建7G大小的分区

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片4
下一步：

这步很重要哦，一定要选择不要格式这个卷

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片5
点击下一步7G的分区就创建完成了，按照上面方法把剩余的未分配空间再创建一个分区。

系统提示你格式也不要格式，分出来的盘是看不到有多大空间的。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片6

 

这一步发现出现问题的比较多，请认真看看，重新储存的文件是不是6.27G。

2.安装上面的应用软件，先安装Java VM，然后安装HFS，打开HFS点击File选择第二项加载下载来的雪豹系统，注意：到这里加载好系统文件什么都不要做，直接打开光盘文件后点击"Tool"—>"Create disk image"，在弹出框选择路径，点击保存（为什么做这一步我现在还不明白，可是保存过后系统变成了6.27G了，就保存一下就多了100多M，还在郁闷中）请不要替换原系统，把重新保存的系统储存到其他地方即可。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片7

3，把刚刚保存过的系统用硬盘安装助手提取到7G的硬盘当中↓（右键以管理员身份运行，只勾选写入就可以了）然后点开始，可能会出现未响应，不用管他，大概5-15分钟左右就自动完成了。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片8

确保完成后出现Change Partition type to AF: success字样，如果是AF:Failed的话，把分区格式化，再删除重新来一遍，

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片9

4.使用MacDrive v8.0.4，成功后会提示重启，重启后把OSInstall文件拖放到7G盘的/System/Library/PrivateFrameworks/Install.framework/Frameworks/OSInstall.framework/Versions/A/，覆盖原文件。使苹果安装盘能成功识别MBR。（我第二次装的时候就没有做这一步，结果安装的时候哪个盘也装不进去，结果强行关机，后来用PE重新引导Windows7启动项的时候不小心把整个盘都删了，现在还伤心这呢）

5。安装Bootthink，Bootthink默认文件都是在第一分区，把上面下载来的小Y驱动解压到C:Darwin System LibrarySL Extensions 下面即可（里面的DSDT.AML文件要放到C:Darwin目录下）

6.开始安装（提醒：bios设置里硬盘必须为AHCI方式，你需要预备一张可启动的原版Windows安装盘，或者WindowsPE以策万全，随时准备修复可能会出现的启动问题，因为雪豹安装程序会把雪豹的分区设为“活动分区”。如此，开机的时候就会无法进入bootthink的选项菜单和Windows。如出现问题使用Windows7原版光盘或PE等等·······设置Windows所在盘为活动分区即可。）

上面都做好后重启，选择Bootthink项进入引导界面↓（建议此时按F8输入-X32调用32位系统内核安装，目前小Y的网卡只能在32下使用）选择Mac OS  X回车

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片11

选择简体中文

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片12

选择语言后，下一步就是安装了。

首先我们要先把之前分配好的15G的分区转变成HFS+分区，打开磁盘工具

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片13

选中左面15GB的分区，在右边选“抹掉”，在格式选择“Mac OS扩展 （日志式）”，然后在下面写上你喜欢的名字，点击右下角的“抹掉”。你错手抹掉Windows不关我事啊。抹干净后直接点左上角叉叉。↓

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片14

点击左边的自定义把不需要的可以取消安装↓完成后选刚才摸的盘，点安装（图是网上找来的，硬盘颜色好像不太对，包含下吧 ）

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片16


大概需要20分钟左右

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片17
30秒倒计时后电脑就会重启动，

使用Windows7原版光盘或PE等等·······设置Windows所在盘为活动分区。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片18

进入漂亮的苹果系统了

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片19
开机动画只有第一次开机时候才有，好怀念。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片20
后面就是跟Windows差不多了，选择地区，时间，创建用户名，密码，一大堆，都完成后就可以看到漂亮的桌面咯

我的桌面

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片21
摄影机型号: 光圈: 快门: 
感光度ISO: 焦距:mm 拍照时间:


 

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片22
摄影机型号: 光圈: 快门: 
感光度ISO: 焦距:mm 拍照时间:


 

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片23
摄影机型号: 光圈: 快门: 
感光度ISO: 焦距:mm 拍照时间:


话说这系统的备份功能绝对强大，我是另外一个10G的空间做备份用的，只要系统有改动都会自动备份。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片24
End

问题总结：

1，关于安装时候很卡的朋友可以把驱动里的DSDT先拿出来，等装好后升级到10.6.2就可以，升级的地方在桌面左上角苹果标志里的软件更新，更新后放进去就可以了。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片25

2，关于关机不断电，不能重启的朋友可以下载这个kext试一下，跟驱动放到一起。OpenHaltRestart.kext

3，开机每次都输入-x32感觉麻烦的朋友可以使用这个方法，进入雪豹后，打开 资源库/ Preference/  SystemConfiguaration/  com.apple.Boot.plist文件，添加arch=×86_64到string和string中间。这样开机就是以32位内核进入系统了。（建议把com.apple.Boot.plist文件拖到桌面修改成功后再放回去替换）如图：

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片26


Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片27

4，关于上网问题，成功安装后有很多朋友为每次都要输入那段代码而发愁，下面送上一个好东西，内有使用方法，这样开机就不用每次都输入了。

http://u.115.com/file/f4b227813f
网卡使用方法.rar

但是要确保你的网卡已经成功驱动

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片28
软件→里面可以看一下64位内核的状态是不是显示否，如果不是否的话是肯定不会显示有以太网连接的。

5，如果你发现你的触控板不支持点触和滑动不用着急，只需要把下面这个东西删了就可以了。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片29

现在再进系统看看是不是多了一个触控板的设置项呢。

Y450安装雪豹系统10.6简单教程分享（QQ讨论群91108399）图片30

如果发现BOOT引导里只有Windows7启动项的话，请把MAC所在的磁盘盘符修改为

AF。至于修改方法和工具可到百度搜一下

差不多就这么多问题了，还有其他问题的朋友请留言，我会及时更新和解决。

http://ideapad.zol.com.cn/44/160_437212.html方便就给顶一个


 

其实安装起来并不是那么的复杂，我用了快一个礼拜了，感觉还不错，尤其是浏览网页或者办公使用都比Windows  一些，安装过程中有遇到什么问题的朋友请留言给我，我折腾了好几遍了，也遇见了5国·4国·白苹果，大多都是驱动惹的祸。

个人收藏壁纸分享：40张http://u.115.com/file/f417576e0打包壁纸.rar

应大家要求，顺便把雪豹系统内带的壁纸分享下，筛选了几个漂亮点的http://u.115.com/file/f4c8fea4b2
雪豹壁纸.rar


===========================The End==============================

收录于
那些天我们一起"啃"的苹果

当前文章被收录于：

那些天我们一起"啃"的苹果
5 篇文章 0 人学习
订阅专栏 查看详情
标签
#windows #磁盘 #活动 #string #os
#java
Mathtype公式下标深度调整技巧：解决固定行距下的显示不全问题 本文针对在Word等文档中设置固定行距时，Mathtype公式下标显示不全的问题，提供了专业解决方案。核心在于调整Mathtype软件内部的“下标深度”参数，通过修改单个公式或批量格式化全文，使公式完美适配固定行距，确保下标清晰完整，且不影响文档整体排版。 阅读详情

相关推荐

OpenClaw与Ollama本地AI部署指南

AI模型本地化部署是当前企业数字化转型的关键技术，通过开源框架Ollama可以在消费级硬件上运行大语言模型。本文以OpenClaw多智能体系统为例，详解从环境配置到模型优化的全流程实践，特别针对国内开发者遇到的网络问题提供了镜像加速等解决方案。这种私有化部署方案尤其适合金融数据分析、企业知识管理等对数据安全要求高的场景，通过模块化设计实现多智能体协作，同时保持对NVIDIA显卡和普通CPU的兼容性。

weixin_34302561的博客 399

Mac OS X 雪豹的GA-P55A-UD3R 多显卡顺利搞定，附折腾过程

年初购买的新机器。配置：GA-p55A-ud3r f8 .4G DDR3HD 5770显卡。其实这个机器安装倒挺顺利。安装完就让我悲剧的就是这个5770显卡。因为工作原因，我必须使用DX11的显卡。所以只能想别的办法。经过几天的折腾，顺利搞定显卡（网卡默认就能驱动）目前的成果：1. 在第二个PCIE x4 的槽上插了一条 NV 8600GT 256M.2. 8600GT能顺利驱动，

Nhsoft的专栏 6718

POWER(十一)charge pump原理

电荷泵是一种基于电容充放电原理的DC-DC转换电路，通过开关控制实现电压转换，包括升压、降压和负压输出。其核心是利用电荷守恒原理，通过电容存储和转移电荷来改变输出电压。典型拓扑结构包括倍压电路和多阶升压电路，具有结构简单、体积小等优势。关键参数包括转换效率、输出电流能力和开关频率，适用于芯片供电、显示屏驱动等低功耗场景。LVDS部分补充说明了自举电路在驱动电路中的应用及其自同步特性。

zhlwsh的博客 2827

循环嵌套(多层 for 循环)

表：order（订单表，order_id, user_id）、user（用户表，user_id, user_name）✅ 优化：先查所有订单，拿到所有 user_id 批量 in 查询，内存 join。✅ 优化：先把优惠券转 HashMap，单层循环查找（hash 查找 O (1)）SQL 只有 2 次，O (1) 数据库查询，内存遍历 O (n)。需求：查询所有订单列表，同时带出每个订单对应的用户名称。需求：订单列表、优惠券列表，把订单匹配对应的优惠券名称。复杂度：O (M+N)，非常快。

weixin_43732943的博客 52

2.4G/4G天线共存方案：Air8101多频段隔离设计实战（附波长计算表）

本文深入探讨了物联网设备中Wi-Fi 2.4GHz与4G LTE天线共存设计的实战方案。针对B40与2.4G频段紧邻带来的干扰挑战，文章系统性地提出了空间隔离、PCB布局优化、结构设计三重防线，并提供了关键的波长计算工具与系统级验证Checklist，旨在帮助工程师将多频段隔离设计从“玄学”变为可执行的工程规范。

weixin_29197051的博客 389

[模型部署]-[LLM]昇腾部署Qwen3-Coder-30B-A3B-Instruct

摘要：本文介绍了在Ascend NPU上部署Qwen3-Coder-30B-A3B-Instruct大模型的实践过程。通过vLLM-Ascend框架，详细说明了环境准备（CANN 8.1、PyTorch-NPU 2.5.1等）、模型下载、容器启动及服务部署步骤，包括vLLM服务的启动参数配置和接口测试方法。测试结果显示在当前2卡910B3配置下性能表现仅为8token/s（1并发），并指出流式调用时存在无法输出usage信息的问题。该方案为Ascend平台私有化部署大模型推理服务提供了参考实现。

1672

Python+Agent入门笔记（六）：记忆和状态，从“一次性问答”到“能用助手”

滑动窗口的缺点很明显：被扔掉的信息就真没了。如果用户第一轮说“我不吃辣”，隔了二十轮让他推荐餐厅，模型已经忘了。定期把旧的对话压缩成一段总结，作为一条特殊的消息插进去。"""把除 system 和最近 keep_recent 条以外的消息，压缩成一条摘要。返回新的 messages 列表。"""# 把旧消息拼成纯文本，让模型总结content = f"[工具结果]把除 system 和最近 keep_recent 条以外的消息，压缩成一条摘要。返回新的 messages 列表。

qq_41241612的博客 76

（篇八）C语言在母串删子串、输入位置截取子串

文章目录一、字符串二、删除指定的字符三、从母串中截取子串四、输入位置截取子串 本篇主要介绍C语言字符串中的相关操作，然后分析两个C语言实例——在母串中指定删除子串、在母串中截取子串 一、字符串 了解C 语言的都知道，C语言中没有字符串类型，所以C语言是用字符串常量、字符指针、字符数组来表示字符串。这些字符串都是以 NULL、’\0’或者ASCII==0来结尾。说白了就是一个个字符组成一串有序序列，...

Viewinfinitely的博客 1512

【数据结构-5】单链表的实现

单链表，具体来说是单向的、不带头的、不循环的链表。链表由一个一个节点组成，每个节点分为数据域和指针域，数据域存放数据，指针域存放下一节点的地址。这样，就可以根据指针域中的地址找到下一个节点，节点就串起来了构成了单链表。

a bit 203

【扫地机器人测试】

本测试方案旨在系统性评估扫地机器人的核心功能、性能指标、可靠性及用户体验，验证产品是否符合设计规范、行业标准及市场需求。通过多维度、全场景的测试，精准定位产品缺陷与优化空间，为产品迭代提供数据支撑，确保上市产品的质量稳定性与用户满意度。

xuhuaiyaun的博客 1373

保姆级教程：手把手教你用Python+Zemax仿真一个简易的Nd:YAG固体激光器谐振腔

本文提供了一份详细的Python与Zemax结合的Nd:YAG固体激光器谐振腔仿真教程。从基础理论到实战操作，涵盖晶体参数化、谐振腔设计、泵浦建模、动态仿真及热效应补偿等关键步骤，适合光学专业学生和工程师快速掌握激光器仿真技术。

weixin_30500473的博客 744

C# 数据结构和特殊类型

.NET Core（现称.NET）提供丰富数据结构，优化性能与开发效率。日常开发首选List<T>和Dictionary<TKey,TValue>；高性能场景推荐Span<T>与Memory<T>减少内存分配；并发环境使用ConcurrentDictionary等线程安全集合；避免非泛型集合如ArrayList。

cccloveforever的博客 701

【25届数字IC秋招总结】面试经验15——比特大陆-算能

25届数字ic面试记录——比特大陆-算能

lalala0635的博客 557

C++ 入门笔记（十七）：list 入门 —— 为什么 list 不能 sort？

第17课：用大白话讲清 list 的双向链表结构、哨兵头、push_back 四步、迭代器封装、merge 与 splice 的区别，以及 vector 排序为什么常比 list 快。

wo_jack的博客 237

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")

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

工厂设备接MES为什么慢：协议识别与点表配置自动化的技术拆解

工业现场设备接 MES 的周期主要消耗在协议识别与点表配置。本文拆解这条链路的四层结构，给出点表映射的数据模型、两种部署架构的对比，以及可直接落地的三项验收口径与校验代码。适合工控集成、MES 实施、设备联网方向的工程师。

emfuture的博客 401

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

list

的底层是双向链表结构，双向链表中每个元素存储在互不相关的独立节点中，在节点中通过指针指向其前一个元素和后一个元素。，因此反向迭代器的实现可以借助正向迭代器，即：反向迭代器内部可以包含一个正向迭代器，对正向迭代器的接口进行包装即可。是可以在常数范围内在任意位置进行插入和删除的序列式容器，并且该容器可以前后双向迭代。迭代到该位置，在这段位置上迭代需要线性的时间开销；最大的缺陷是不支持任意位置的随机访问，比如：要访问。还需要一些额外的空间，以保存每个节点的相关联信息。个元素，必须从已知的位置。

xie0510_的博客 283

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

软件商店常见问题标准处理流程

从底层软件源来看，/etc/apt/sources.list配置错误、源地址失效、公网与内网离线源混用、ARM64与x86_64架构源串用，以及DNS解析异常、系统代理配置错误，都会导致商店无法获取应用数据；打开该应用，确认可正常运行；软件商店作为系统内置的图形化软件分发与安装入口（UKUI桌面配套组件，底层依赖APT软件源），承担着应用软件的浏览、搜索、下载、安装、升级与卸载等核心功能，是终端软件部署与管理的关键通道。覆盖软件商店启动、页面加载、应用下载、安装、卸载、搜索、自身更新等全部业务场景。

qq_39496637的博客 287

【AI 开发从入门到进阶 · 10】收官篇：LoRA 微调、模型评估、推理加速与生产部署全链路

本文系统梳理了大模型微调与生产落地的全流程，从决策是否微调、优选LoRA技术方案，到代码实现、效果评估、推理加速与FastAPI服务封装，最终构建可迭代的生产级AI系统。强调“逐级升级”原则，倡导以数据闭环驱动优化，避免技术冲动。全系列贯穿工程化思维，提供可复用模板与实战建议，助力开发者从模型训练迈向稳定可用的AI服务部署。

信息安全领域优质创作者｜操作系统领域专家 113

ARIA规范

ARIA用来补充原生HTML缺失的语义，原则：优先原生标签，ARIA仅做补充。 ARIA角色role：定义组件身份，分为地标角色、构件角色、文档角色；构件角色用于自定义弹窗、tab、下拉菜单等复杂组件； ARIA状态与属性：以aria-开头，描述组件实时状态；常用：aria-label、aria-labelledby、aria-describedby、aria-hidden、aria-expanded、aria-selected、aria-modal、aria-live； 常用场景：图标按钮用aria-l

2401_83227843的博客 457

LangGraph（03）：状态归约、并行更新与消息管理

并行节点写入报错？历史消息无法清理？本文拆解 LangGraph 状态归约与消息增删改机制，带你精确控制复杂工作流状态。

专注于 Agent 工程、AI 产品、Harness Engineering、LLM 算法等方向，OpenMathModel、Nivik 等开源项目作者 100

LangGraph 的分离思想总结

LangGraph 的分离思想，本质上是对"高内聚、低耦合"这一经典工程原则在 LLM 应用领域的落地。它通过状态与逻辑分离、节点职责分离、控制流与执行分离、计算与持久化分离、编排与实现分离五个层面，把一个难以维护的"大黑盒"拆解成一组可组合、可测试、可观测的部件。理解这套分离思想，比记住 API 更重要——因为当你面对新的智能体场景时，真正指导你做出合理拆分的，正是这些分离原则。

张晨光老师的播客 389

Java基础：泛型、类型擦除与 PECS 原则

泛型允许类、接口和方法使用类型参数，把许多类型检查提前到编译期，减少显式类型转换，提高代码复用性。例如。

cjpabc的博客 456

To-Do List 的「修改」功能与 CSS 定位

买牛奶</td><td index="1">写作业</td><td index="2">跑步

2401_89953644的博客 187

第2讲：提示注入攻击——原理与防御

提示注入是攻击者通过恶意指令绕过AI系统规则的安全威胁，分为直接注入（如覆盖指令、角色扮演越狱）和间接注入（藏于文档或搜索结果中）。防御需三重机制：检测（识别高危模式与多轮诱导）、加固（设置优先级、随机分隔符、锁定输出）、净化（清除控制字符、编码、截断超长输入）。结合上下文分析与多模态处理，可有效防范编码绕过、过度净化等陷阱。核心理念：防御需检测、加固、净化联动，筑牢AI应用安全防线。

sandaoliuge的博客 270

TypeError: must be str, not list

【代码】TypeError: must be str, not list。

Forerunner and Successor 先駆者と後継者 53

Java Arrays.asList 常见坑详解｜UnsupportedOperationException、数组联动、基本类型 bug

解析 Arrays.asList 常见开发陷阱，演示 UnsupportedOperationException、底层数组引用共享、基本类型数组问题，区分 Arrays 内部 ArrayList 与 java.util.ArrayList，给出数组转 List 的各种场景正确代码。

weixin_42617033的博客 492
下一篇： 避免重装系统的情况下，修改IDE为ACHI模式（适合修改注册表后更改BIOS依然蓝屏） 2012/1/21
点赞 0
评论 0
书签 书签 0
ccy0013
ccy0013
博客等级 码龄17年 6粉丝 6原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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