微软大修Linux Windows子系统

随着Windows10版本2004的发布,WSL2引入了完整的Linux内核,并支持LinuxGUI应用程序与Windows应用程序一同运行,无需第三方Xserver。此外,WSL2还增加了对GPU的支持,用于硬件加速,如机器学习和人工智能开发。

随着Windows 10 版本 2004的上线,微软准备向全球用户发布新的Linux Windows子系统(WSL) 2。 Linux系统

正如预期的那样,第二代WSL进行了重大改进,包括集成到平台中的完整Linux内核。在19日的Build开发者大会上分享了这方面的更多信息。

首先,Linux GUI应用程序首次进入了Windows 10的世界。

众所周知,Linux的Windows子系统允许Linux应用程序在Windows 10上运行,但是没有图形用户界面,虽然这个挫折可以通过X server解决,但总体性能并不总是最好的。

因此,从未来的更新开始,适用于Linux的Windows子系统将允许Linux GUI应用程序与Windows应用程序一起运行,因此,微软再次将两个世界中最佳的功能结合在一起,以在Windows 10中获得一致的体验。

您好,GUI应用程序!

不用说,微软正在为此而努力,并且鉴于最近Linux的快速增长,这种更新有可能减慢从Windows到Linux的过渡。

微软在build大会上宣布,“对Linux图形用户界面(GUI)应用程序的支持将使您能够打开一个WSL实例并直接运行Linux GUI应用程序,而不需要第三方X server。这将帮助你在Linux环境下运行你最喜欢的应用程序,比如集成开发环境(IDE)。”

此外,微软还为WSL 2带来了对GPU的支持,以进行硬件加速,这显然会带来一系列好处,包括机器学习和人工智能开发。

该公司表示:“增加了对图形处理单元(GPU)计算工作流的支持,使得Linux工具能够利用GPU为许多开发场景提供硬件加速,例如并行计算和训练机器学习(ML)以及人工智能(AI)模型。”

GPU硬件加速

在Windows 10中还有更多关于Linux的内容。Linux的Windows子系统将支持一个新的安装命令,这将使用户更容易部署Linux应用程序并在Windows 10上使用它们。

这种简化的安装过程有助于提高WSL的整体体验,微软表示,在Windows 10上运行Linux应用程序将更加容易。

微软表示:“通过运行' wsl.exe – install '命令,WSL将很快支持一种简化的安装体验,这将使在Windows上开始使用Linux应用程序比以往任何时候都更容易。”

WSL 2将是下一个Windows 10特性更新的一部分,代号为2004版,将于本月晚些时候发布。然而,这里的一些改进,比如对Linux GUI应用程序的支持,是不能开箱即用的,该公司将在以后推出它。

预计GPU硬件的加速将在未来几个月内实现,首先是向Windows Insider计划的用户发布的构建的一部分,然后才向生产设备发布。下一个Windows 10功能更新将于2009年秋季发布,但尚不清楚这是否是该功能首次发布的目标。

不过,可以肯定的是。微软非常认真地将Windows和Linux的世界融合在一起,WSL平台正是该公司所使用的合适工具,它不仅可以减缓从Windows到Linux的迁移,而且还可以使一些用户在其自己的操作系统上使用Linux。

以上就是良许教程网为各位朋友分享的微软大修Linux Windows子系统。 以上就是良许教程网为各位朋友分享的Linux相关知识。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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