Windows7+Ubuntu双系统下Ubuntu硬盘扩容

最新推荐文章于 2025-12-02 17:47:59 发布
原创 最新推荐文章于 2025-12-02 17:47:59 发布 · 3.6k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ubuntu #windows #system #hex #linux

本文详细介绍了在Linux Ubuntu系统下硬盘扩容的具体步骤，包括切换超级用户、查看现有文件系统、卸载当前分区、转换系统类型、分区挂载等关键操作。

以下是Linux下的Ubuntu系统硬盘扩容方法，Windows下的方法请自行查找。

1、 切换到超级用户模式： sudo -i

2、 查看现有文件系统： fdisk -l

（这是转换好后的截图，之前/dev/sda6的ID为7，System为HPFS／NTFS／exFAT）

3、 先卸载当前要转换系统格式的分区： umount /dev/sda6

4、 fdisk /dev/sda

在下一步中选择 [t] change a partition's system id

5、在接下来的Partition number (1-6):中选择要进行格式转换的硬盘分区号，这里选6.

6、 Hex code选择：83或8e（不清楚的可以先按L查看）

7、 操作完以后输入 w 保存。

8、 格式化分区： mkfs.ext4 /dev/sda6

9、 分区挂载。因为需要开机后自动挂载，所以直接修改/etc/fstab文件

也可以用blkid查询UUID号代替 /dev/sda6

数字艺术提示系统性能优化：提示工程架构师的JVM调优指南
操作系统内核探秘的博客
09-17 1097
当用户输入“赛博朋克猫站在雨夜东京塔”的提示时，AI绘画系统需要在1秒内完成提示解析、特征提取、模型路由三大核心步骤——这背后的性能瓶颈，往往藏在Java虚拟机（JVM）的内存管理与垃圾回收里。本文以数字艺术提示系统的真实场景为锚点，用“工作室 analogy”拆解JVM核心概念，结合GC算法选择、内存参数调优、对象生命周期管理三大实战方向，手把手教你解决“高并发延迟”“内存泄漏崩溃”“GC停顿过长”等痛点。
提示工程架构师实战：用Agentic AI搭建医疗智能分诊系统的全流程
项目管理的博客
09-13 1131
需求分析：明确功能与非功能需求，画出架构图；Agent开发：设计角色、决策流程和Prompt；知识库构建：采集、清洗、存储医疗知识，优化检索；工具集成：调用EMR、检验系统等外部工具；测试优化：验证准确性、性能和体验，迭代改进。医疗智能分诊系统不是“取代医生”，而是成为医生的“助手”——它能快速收集症状、整合数据、推荐科室，让医生有更多时间关注患者的核心需求。
从理论到实践：提示工程架构师的AI与提示系统整合实战手册
专注搜索引擎技术
08-25 1078
什么是“提示系统整合”？简单来说，它是将大语言模型（LLM）的能力，通过“Prompt工程+系统设计”，与业务需求、数据流程、反馈机制结合，构建稳定、可迭代的AI应用的过程。输入层：解析用户问题（是“查询政策”还是“计算天数”？），提取关键信息（工龄、假期类型）；数据层：从HR政策文档库中检索相关内容（比如“年假计算规则”的具体条款）；提示层：根据问题类型动态生成Prompt（比如查询类用“基于以下上下文回答：{context}”，计算类用“先根据文档计算天数，再用自然语言解释”）；输出层。
优秀AI系统架构师成长指南：从零基础入门到精通
AI智能探索者的博客
07-31 868
本文将以“零基础读者”为起点，系统拆解AI系统架构师的成长路径：从“什么是AI系统架构”的基础认知，到数学、编程、AI核心技术的能力构建，再到架构设计原则、工程化落地、实战案例分析，最终覆盖进阶专精与职业发展。我们会用“认知→学习→实践→反思”的闭环模式，帮你一步步搭建知识体系，避免“学了一堆技术却不知道怎么用”的困境。算法工程师：聚焦“模型效果”（如何用数据训练出高精度模型）；AI系统架构师：聚焦“系统落地”（如何把模型变成稳定、高效、可扩展的服务，解决实际业务问题）。需求转化。
从0搭建到优化：AI应用架构师的智能项目评估系统实战笔记
移动开发前沿的博客
08-06 1117
AI项目评估、智能系统架构、风险预测模型、数据质量分析、MLOps、架构优化、项目成功率预测在人工智能项目的浪潮中，高达60-80%的AI项目最终无法成功落地或未能实现预期价值。本文作为一名资深AI应用架构师的实战笔记，详细记录了如何从零开始构建一套智能项目评估系统的全过程。从概念理解、系统设计、技术选型、核心功能实现到性能优化，本文提供了一套完整的方法论和实践指南。通过结合机器学习与专家经验，该系统能够在项目早期预测成功率、识别潜在风险、优化资源分配，并提供数据驱动的决策建议。无论你是AI架构师、技术管理
AI应用架构师实战：用现代数据架构搭建AI驱动的智能营销系统
Python编程之道的博客
08-04 1355
通过数据理解用户，用AI优化策略，实现“精准触达、个性化体验、高效转化”。数据问题：如何整合分散在CRM、ERP、电商平台、APP等系统中的数据，形成完整的用户画像？如何处理实时产生的用户行为数据（比如点击、浏览、加购）？AI落地问题：如何让AI模型真正赋能营销流程（比如推荐、自动化邮件、广告投放）？如何解决模型“离线训练准，在线预测差”的问题？现代数据架构（比如湖仓一体、实时数据管道）和AI技术（比如用户画像、CTR预估、强化学习）的结合，正是解决这些问题的“钥匙”。数据驱动。
万字长文：从0到1搭建AI应用架构，资深架构师的实战指南
AI 原生应用开发的博客
08-04 679
搭建AI应用架构，不是“一蹴而就”的——它需要你懂数据、懂模型、懂服务、懂应用、懂监控，更需要你有“系统思维”和“工程思维”。不要怕踩坑：踩过的坑，都是你未来的经验；多做实战项目：只有动手搭建过系统，才能真正理解架构的要点；保持学习：AI技术发展很快，要不断学习新框架（比如Triton、MLflow）、新趋势（比如AutoML、边缘计算）。“AI应用架构的本质，是用工程化的方法，把‘AI的能力’变成‘用户的价值’。愿你能搭建出真正解决问题的AI应用，让技术落地，让价值发生。附录：学习资源推荐书籍。
AI提示系统设计全指南：提示工程架构师的7大核心原则与案例
AI架构全栈开发实战笔记
09-09 634
提示工程架构师系统设计：将业务需求转化为提示系统架构，定义组件、交互流程与数据流；原则落地：应用提示工程核心原则，确保系统可靠、高效、安全；生命周期管理：设计提示模板的开发、测试、部署、监控与迭代流程；跨团队协作：协调算法团队（优化模型）、工程团队（系统集成）与业务团队（需求定义）。明确性原则：通过结构化设计，确保提示中的指令、约束、目标无歧义，使LLM输出的“不确定性”降至最低。意图对齐原则：确保提示目标与业务目标严格一致，避免“AI理解正确但解决了错误问题”。模块化原则。
提示工程架构师实战：医疗Agentic AI系统的性能监控与提示调整
项目管理的博客
09-01 1070
医疗Agentic AI的优化，不是“一锤子买卖”，而是持续的、基于数据的迭代——监控系统是“眼睛”，提示工程是“双手”，两者结合才能打造“可靠、可信、可用”的医疗AI。医疗AI的核心不是“技术有多先进”，而是“是否符合医疗逻辑”。所有的监控指标、提示调整，都要回到“以患者为中心”的本质——让AI成为医生的“助手”，而不是“替代者”。未来，我期待看到更多“会思考、会解释、会学习”的医疗Agentic AI，用技术守护人类的健康。
【架构实战】AI系统架构设计全攻略：从蓝图到爆款，一步步打造成功！
2401_85343303的博客
06-30 1195
某AI公司信心满满推出了一款智能客服，想用它解放客服人力，提升用户体验。可上线没几天，系统就频频崩溃，用户投诉像雪片一样飞来，最后公司不得不紧急下线产品，声誉一落千丈。这事儿听起来是不是有点惨？但它告诉我们一个真相：AI架构设计不是锦上添花，而是决定系统生死存亡的关键。
从理论到实践：提示工程架构师详解Agentic AI情感智能提示工程流程
Python编程之道的博客
07-26 698
Agentic AI的核心特征是“自主性”——能感知环境、设定目标、规划行动、执行反馈，像人类一样动态决策。而情感智能（Emotional Intelligence, EI）是Agent实现“类人交互”的关键：它要求Agent不仅能识别文本、语音、图像中的情感信号（如“愤怒”“焦虑”），更能理解情感背后的需求（如“需要安抚”“需要解决方案”），并生成符合情境的情感回应（如共情表达、积极引导）。模糊性：人类情感表达常是含蓄的（如“我没事”可能隐藏悲伤），且受文化、语境影响；动态性。
DevUI 企业级组件实战：表格表单弹窗性能优化与最佳实践指南
最新发布
白鹿第一帅的 优快云 博客
12-02 964
2025 年初的一个周一早晨，我接到了一个让我既兴奋又忐忑的任务：负责某大型制造企业 ERP 系统的前端开发，技术栈要求使用 Angular + DevUI。作为一名拥有 3 年 Vue 开发经验的工程师，这对我来说是一个全新的挑战。我是郭靖，笔名“白鹿第一帅”，目前在某大型互联网公司成都研发中心担任大数据与大模型开发工程师。虽然我主要从事大数据开发与大模型应用领域的研究，但在职业生涯中也积累了丰富的前端开发经验。作为一名持续 11 年的技术博主，我习惯将学习过程中的经验总结成文档。
AI Agent 性能优化与成本控制：从技术突破到行业落地实战指南
qq_40303030的博客
11-29 1549
本文系统解析了AIAgent落地实践中的性能优化、成本控制和稳定性保障三大核心问题。通过提示词压缩、智能路由、缓存机制等技术策略，有效解决了模型运行慢、成本高、易出错等痛点。文章提供了RAG防幻觉、超时重试、输出验证等全流程稳定性设计，并详细展示了AI编程助手、智能客服、数据分析师三个行业的实际应用案例。所有技术方案均经过实战验证，包含可直接复用的代码片段和架构设计图，为开发者提供从优化到落地的完整解决方案。最终实现性能提升40%以上、成本降低50-70%、任务中断率从30%降至5%以下的优化效果。
Elasticsearch性能优化实战：从GB到PB级数据的性能演进之路
safestar2012的博客
12-01 867
优化重点：写入吞吐量分片策略：按时间滚动，单个分片50-100GBElasticsearch的性能优化是个没有终点的旅程。从GB到PB，每个数据量级都有不同的优化策略和陷阱。五年来我最大的体会是：​没有最好的配置，只有最适合业务场景的权衡。​核心经验​小数据简单化​：别过度设计，单节点往往最有效​中数据分布式​：合理分片，热温冷架构是王道​大数据精细化​：查询路由、段合并、资源隔离一个不能少​监控驱动优化​：没有数据支撑的优化都是瞎猜​未来挑战。
Java正则表达式性能优化指南：编译开销、类加载与线程安全深度解析
Vic10101的博客
12-02 574
推荐做法静态常量预编译java使用Holder模式延迟加载javaPattern.compile("复杂正则");缓存动态生成的正则java。
FFmpeg性能优化经典案例
ZouZou的专栏
11-28 666
初始采用“循环单条处理”模式，使用命令“ffmpeg -i input.mp4 -i watermark.png -filter_complex overlay=10:10 -s 1280x720 output.mp4”，单台服务器处理完需15天，远超出7天的工期要求。初始采用“单进程单任务”转码模式，使用FFmpeg默认参数，出现转码队列堆积严重（峰值堆积超20万条）、平均转码延迟达40分钟的问题，严重影响用户发布体验。FFmpeg作为音视频处理领域的瑞士军刀，广泛应用于转码、直播、点播、剪辑等场景。
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
二哈喇子！
12-01 7876
昇腾平台vLLM部署与性能优化实战摘要
AI架构师转型全路径：技术跃迁与实战指南
AI架构师转型指南[项目代码]所揭示的是一条从传统软件开发迈向人工智能时代核心技术岗位的系统性路径，其背后不仅是技术能力的升级，更是职业思维模式、工程经验复用方式以及行业话语权争夺的战略重构。该文档以“35...
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
 
红包 添加红包
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