AI摘要
本文详细介绍了如何通过管理员命令提示符和系统设置删除Windows系统中的hiberfil.sys和swapfile.sys文件，以释放磁盘空间。具体步骤包括使用powercfg命令关闭休眠功能和在高级系统设置中更改虚拟内存选项。
hiberfil.sys的删除方法：管理员打开cmd，然后：
powercfg -h off
swapfile.sys的删除方法：高级系统设置->高级->性能->设置->高级->虚拟内存->更改->取消打勾（自动管理所有驱动器的分页文件大小）->无分页文件->设置->确定xN
SWAP的作用
swapfile并不是从物理内存中获取内存，而是使用磁盘上的空间来扩展虚拟内存。它的作用是当物理内存不足时，提供额外的空间存储不活跃的数据。虽然可以增加系统的内存容量，但频繁使用swapfile会影响系统性能，因此应尽量避免频繁依赖 Swap。在虚拟机中查看swap的位置嵌入式设备中查看。
swapfile.sys文件的作用及如何禁用Hibernate.sys和Pagefile.sys
在windows系统根目录下，你可能会发现一个名为swapfile.sys的文件。它和pagefile.sys文件类似却又有些不同，swapfile.sys主要是用于Modern应用，这些应用大多从windows应用商店获取安装。 默认情况下，系统会自动管理swapfile.sys交换文件。如果系统“感觉”到运行压力，就会将部分你运行了但没有使用的应用程序进程转移到硬盘，当你要使用被转移到硬盘中的应用程序或运行新的应用程序时，系统会将当前内存中的另一个应用程序的进程转移到硬盘，为你要运行的程序腾出内存空间
C盘根目录清理实战：告别休眠文件、Windows.old与虚拟内存占用
磁盘空间是系统运行的基石，C盘根目录作为Windows的“命门”，其文件管理常常让普通用户困惑。很多用户发现C盘飘红，却不敢轻易删除根目录下的大型文件。理解pagefile.sys、hiberfil.sys、Windows.old等系统文件的职责与清理逻辑，是安全释放空间的前提。通过系统磁盘清理、存储感知、DISM命令以及合理的cmd命令和bat清理脚本，可以高效清理缓存与更新残留，同时避免误删关键文件。从临时文件到系统组件，从软件默认路径到虚拟内存迁移，掌握一套可复用的维护流程，不仅能根治C盘膨胀问题，还
hiberfil.sys文件是什么？怎么删除/恢复
hiberfil.sys文件是什么？怎么删除/恢复
Linux扩容和删除运行内存（swapfile 交换文件）
通常情况下，Swap空间应大于或等于物理内存的大小，最小不应小于64M，通常Swap空间的大小应是物理内存的2-2.5倍，Swap的调整对Linux服务器，特别是Web服务器的性能至关重要，通过调整Swap，有时可以越过系统性能瓶颈，节省系统升级费用。Linux中Swap（即：交换分区），类似于Windows的虚拟内存，就是当内存不足的时候，把一部分硬盘空间虚拟成内存使用,从而解决内存容量不足的情况。进入后通过光标移动位置，移动至swapfile所在的行，删除此行。查看示swapfile文件已经关闭。
庖丁解牛：深入解析Windows系统盘目录结构与文件作用
系统盘根目录常见文件夹功能解析：Windows存放系统核心组件，Program Files存放安装程序，Users包含用户数据，AppData隐藏重要应用数据。特殊目录如PerfLogs存放性能日志，ProgramData存储共享数据。系统关键文件包括虚拟内存文件pagefile.sys和休眠文件hiberfil.sys。建议定期清理临时文件，迁移大型软件数据到其他分区，使用工具监控异常空间占用，从根本上规范存储路径而非简单删除文件。
[计算机提升] 删除空间占用大的文件(夹)
在windows系统中，系统盘一般是C盘，随着电脑使用时间变长，系统盘会变得越来越大。而系统盘通常在安装系统时已经固定好了，如果系统盘的剩余空间太小会影响系统的使用，让整个系统变得卡顿甚至无法使用。
智能体评测技术与实践：从评估维度到DeepEval实战指南
智能体评测技术与实践：从评估维度到DeepEval实战指南 本文系统探讨了AI智能体的评测体系与实践方法。首先从四个关键维度构建评估框架：基础能力（意图理解、知识完整性）、复杂任务（多轮对话、动态工作流）、可靠性（幻觉抑制、安全合规）以及工具效率（参数填充、多工具协同）。其次分析了主流评测工具，包括xBench的动态双轨评估、DeepEval的全链路监控等解决方案。最后详细介绍了DeepEval的实战应用，涵盖环境配置、测试用例构建、指标配置及CI/CD集成，展示了如何通过代码化评估实现智能体质量的持续提升
实用常识 | 一篇文章记录如何轻松清理C盘，C盘又满了，继续盘它
很久之前使用了一种分盘的方法处理C盘爆红的问题，时间不到一年，C盘它又爆红了，这次我又现学现卖，修炼了一种新的方法来解决这个问题，并且在这里记录一下，相信这篇文章帮你解决C盘爆满问题！！！ 文章目录一、硬核方法：清理C盘系统盘.sys系统文件1.1 打开【我的电脑】，选择【更改文件夹和搜索选项】1.2 选择显示隐藏的系统文件1.3 打开C盘，发现隐藏的.sys系统文件1.4 首先是swapfile.sys1.5 其次是pagefile.sys文件1.6 最后是hiberfil.sys文件二、硬核工具：.
MATLAB 2022b 用户专属：保姆级IPOPT求解器安装配置全流程（含OPTI工具箱）
本文为MATLAB 2022b用户提供IPOPT求解器的详细安装与配置指南，涵盖OPTI工具箱的适配安装、环境变量设置及常见问题解决方案。通过实战案例演示非线性优化问题的求解过程，帮助用户高效部署这一强大的优化工具，提升工程计算效率。
LilyPad三色LED共阳极控制：从原理到Arduino编程实战
RGB LED作为可编程光源的核心组件，通过红、绿、蓝三原色的加色混合原理，能够生成丰富的色彩。其内部结构主要分为共阳极和共阴极两种类型，这决定了驱动电路的设计和编程逻辑。在电子织物和可穿戴设备领域，掌握RGB LED的控制技术对于实现动态光效和交互反馈至关重要。本文以LilyPad三色LED为例，深入解析其共阳极特性，并详细演示如何结合Arduino进行PWM编程，从而精准控制颜色与亮度，为智能服装、互动艺术装置等项目提供可靠的照明解决方案。
Windows压缩卷失败原因：hiberfil.sys等系统文件锁定磁盘空间
NTFS文件系统中的‘不可移动文件’是理解Windows磁盘管理的基础概念，其核心原理在于通过元数据标记强制固定物理簇位置，以保障休眠、虚拟内存等关键功能的性能与可靠性。这类设计虽提升了系统稳定性，却会阻断卷压缩所需的连续末尾空闲空间，导致即使磁盘显示有空余容量也无法操作。技术价值体现在对底层存储机制的精准控制，典型应用场景包括系统分区扩容、双系统安装前的空间准备及SSD优化部署。本文聚焦`hiberfil.sys`和`pagefile.sys`两大高频热词，解析其物理锁定机制与安全释放方法。
【Ragflow】9.问答为什么比搜索响应慢？从源码角度深入分析
前几天看到有群友提到一个现象：Ragflow的搜索界面的问答速度很快，但聊天界面的问答速度很慢，究竟是什么原因？在深入挖掘源码之后，逐渐发现了问题的答案。
C盘空间告急？hiberfil.sys休眠文件瘦身与取舍指南
Windows系统盘空间管理常涉及隐藏系统文件与内存快照机制。hiberfil.sys是Windows的休眠文件，本质是把内存会话写入硬盘，用于休眠与快速启动；文件体积随物理内存变化，容易占用大量C盘空间。通过powercfg调整休眠文件大小、切换精简类型或关闭休眠，可在完整休眠、快速启动和磁盘回收之间做取舍。对笔记本、台式机、多系统等场景，需先判断使用习惯再配置，并用powercfg /a验证效果。围绕C盘红色告急时的hiberfil.sys瘦身、精简与回滚，下文给出可落地的排查与操作路径。
MuJoCo 机械臂关节空间阻抗控制Impedance实现（附代码）
阻抗控制通过调整关节的刚度和阻尼，让机器人在接触时产生顺应性，减少冲击力，其核心目标是在接触外部载荷时能够自适应调整输出力矩，实现力与位置的协同控制。阻抗控制可以很快的到达设定位置，在此基础上，使用mujoco交互中的施加外力操作，可以看到当外力松开后，机械臂也可以很快的回弹回设定位置。其中self.Kp和self.Kd为固定刚度和阻尼系数，通过修改刚度和阻尼参数，可以变得更柔顺来应对各种场景。注释掉该行后，直接simulate仿真可以看到机械臂控制位置震荡等情况，接下来引入关节空间阻抗控制的代码。
uniapp - 使用web-view加载本地网页vue页面，用webview导入本地网页，uniAPP中使用web-view加载的本地及远程vue页面+双向通讯功能（兼容微信小程序、安卓苹果APP）
uniapp的App端web-view加载本地html，uniapp微信小程序webview加载本地HTML文件，在uniAPP中使用web-view加载的本地及远程vue页面且进行双向通讯，uni-app的web-view组件，支持加载远程网页，在app环境下，还支持加载本地HTML页面。uniapp WebView组件实现本地网页加载与通讯传值，uniAPP如何内嵌webView引入本地的vue网页示例代码，uniapp在web-view加载的本地及远程HTML中调用uni的API及网页和vue页面跳转
C盘爆红不用愁：hiberfil.sys休眠文件删除与压缩全攻略
磁盘空间不足是Windows用户常见痛点，其中系统休眠文件hiberfil.sys往往占据数GB至数十GB空间。理解Windows电源管理机制中的睡眠、休眠与快速启动差异，是安全释放C盘空间的前提。休眠文件本质是内存镜像，用于系统状态保存与快速恢复；关闭休眠或使用压缩模式可显著回收空间，但需权衡开机速度与功能依赖。本文结合powercfg命令与系统设置，指导不同场景下安全删除或压缩休眠文件，并延伸临时文件、虚拟内存等清理技巧，帮助用户高效管理磁盘空间。
CAN（2）-GD32
GD32中CAN的特征。
C盘爆红之后
有一天80G空间的C盘突然爆红了，只有不到10个G的空间可用了，遂使用磁盘分析工具（CCleaner）查看原因，发现除了日常使用电脑产生的缓存和垃圾文件之外，还有位于C盘根目录的三个罪魁祸首……
Python 爬虫教程：金融数据定向抓取（银行 + 投资网站数据结构化提取）
在当今数字化时代，金融数据的获取和分析对于投资者、分析师以及金融机构来说至关重要。Python 爬虫技术可以帮助我们高效地从各种网站上抓取金融数据，从而为投资决策、风险评估和市场分析提供支持。本文将详细介绍如何使用 Python 爬虫技术来定向抓取银行和投资网站的数据，并将其结构化提取，以便进一步分析和使用。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
C盘空间告急？用可视化分析精准清理隐藏残留大文件
磁盘空间管理是Windows日常使用中绕不开的基础课题。系统盘空间被不断蚕食，往往源于文件系统底层深藏的残留数据与缓存，而非表面可见的安装程序。理解文件存储原理，掌握高效的磁盘占用分析方法，是精准定位空间瓶颈的关键。磁盘可视化分析技术能将目录结构按占用比例直观映射，帮助用户快速识别巨型文件与隐藏目录，其技术价值在于变主观猜测为客观数据驱动。无论是开发者排查Docker镜像堆积，还是普通用户清理软件卸载后的“尸体”文件，可视化扫描都能大幅提升效率。结合系统自带命令与专业工具，即可在不安装激进清理软件的前提下，
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Windows C盘压缩失败原因与NTFS卷压缩原理详解
NTFS卷压缩是Windows磁盘管理的基础操作，其本质依赖于磁盘末尾连续空闲空间的物理存在。当系统提示‘无法压缩到超出不可移动文件所在点’时，实际反映的是NTFS文件系统对连续未分配簇的硬性要求。核心障碍源于内核级系统文件（如hiberfil.sys、pagefile.sys）被锁定在磁盘末端，构成不可迁移的物理锚点。这一机制保障了休眠、虚拟内存等关键服务的低延迟访问能力，但也限制了常规分区调整。典型应用场景包括系统重装后扩容、虚拟机部署前空间规划、以及SSD/HDD混合环境下的性能优化。理解NTFS簇分
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
一条命令释放数GB空间：彻底禁用Windows休眠文件
hiberfil.sys是Windows休眠功能生成的系统级隐藏文件，大小默认等于物理内存容量，强制驻留C盘且无法移动或手动删除——这是C盘空间告急的典型元凶。其本质是内核级内存快照镜像，依赖电源策略而非普通文件管理机制。通过`powercfg -h off`可安全禁用休眠功能，触发系统在下次关机时自动回收该文件占用空间，避免蓝屏、权限报错与数据损坏风险。该方案不依赖第三方工具，不影响睡眠/关机等基础功能，适用于绝大多数办公与家用场景，尤其适合内存≥16GB的现代设备。本文详解其原理、验证方法、执行节奏及避
C盘爆红必看：可视化扫描与命令行清理隐藏大文件
在Windows系统日常使用中，磁盘空间管理直接影响系统流畅度与稳定性。随着软件安装和系统更新不断累积，C盘常被休眠文件、虚拟内存、更新缓存及AppData下的隐藏残留数据悄然占满。面对“清完又满”的困境，仅靠一键清理工具往往收效甚微。更高效的做法是借助磁盘可视化分析工具（如WizTree、TreeSize Free）扫描文件占用分布，精准定位大文件，再结合系统自带的磁盘清理、Windows存储设置以及PowerShell和DISM命令，实现安全、可控的批量清理。这一套“扫描→定位→清理→验证”的闭环方案，
C盘又红了？一套组合拳轻松释放50GB：从系统文件到应用数据完整清理指南
系统盘空间管理是Windows使用中绕不开的基础课题。当磁盘空间不足告警出现时，很多人本能地选择清理软件或手动删文件，却往往治标不治本。真正高效的做法是理解C盘空间的占用原理：休眠文件、虚拟内存、更新缓存、组件库和各类应用数据，各自以不同机制消耗着宝贵的存储资源。安全清理的核心在于区分“可删”与“不可碰”，借助系统自带的存储感知、磁盘清理、DISM命令及目录迁移等工程化手段，既能精准释放几十GB空间，又不损伤系统稳定性。这项技能适用于日常办公、游戏娱乐、内容创作等几乎所有电脑使用场景。当C盘再次告急，与其临
一条命令释放C盘16GB：powercfg -h off详解
hiberfil.sys是Windows休眠功能生成的系统级隐藏大文件，大小约等于物理内存容量，常 silently 占用10~32GB C盘空间，却不在资源管理器中显示。其原理是将内存全量镜像写入硬盘实现断电续用，但日常使用中休眠功能极少被主动调用。该文件具备安全可逆删除特性，技术价值在于零风险、免安装、秒级释放空间，适用于笔记本/台式机等主流Windows设备。典型应用场景包括C盘告急应急清理、系统维护前置操作及IT批量运维。本文聚焦powercfg -h off这一原生命令的原理、验证与工程化落地，同
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1514
扫一扫
