一篇文章解决虚拟机无法联网,FinalShell连不上虚拟机等问题

已于 2023-01-31 16:18:40 修改
阅读量5.4k 收藏 17
点赞数 2
文章标签： 运维 linux java ssh
于 2023-01-31 16:03:59 首次发布
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。
本文链接：https://blog.youkuaiyun.com/qq_43171603/article/details/128818866
版权

1月31日

前两日遇到的问题是虚拟机无法与物理机ping通的问题,导致FinalShell等软件一直无法与虚拟机联通. 卡到什么地方可以右下角留言交流
点击此链接跳转到虚拟机联网解决方法
1月31日10:20,我终于找到了解决问题的源头,只要把物理机由wifi连接改成网线连接就可以了,在此之前你修改了ens33,修改了windows中的VMnet 8的网络环境配置也不用担心按如下操作就可以.不要重装虚拟机
具体步骤:

  1. wifi关闭,找一根网线连到物理机上(这个步骤是最重要的)
  2. 虚拟机左上角→编辑→虚拟网络编辑器→(右下角)更改设置→(左下角)还原默认设置
  3. 牢牢记住分配的Vmnet 8分配的网段,我的是40,(每个人都不一样,不必和ip地址的网段一样也能联网,我的ip地址是192.168.110.187)如下图.pSwzRXV.md.png
    一般来讲,虚拟机分配的网关最后一位都是2,如下图pS0SFjP.png
    我们等会要把虚拟机ip地址最后一位设置在128-254之间,如下图dhcp所要求
最低0.47元/天 解锁文章
牧羊少年`
关注
开源模型应用落地-qwen模型小试-Qwen3-8B-推理加速-vLLM-结构化输出（三）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
05-06 1万+
通过vLLM框架高效部署QWen3-8B模型，并优化提示词工程与输出控制，实现稳定的结构化JSON生成，从而提升推理效率并拓展大模型应用场景。
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（一）
热门推荐
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
01-10 2万+
qwen-7b-chat集成vllm，流式输出
开源模型应用落地-qwen模型小试-Qwen3-8B-快速体验（一）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
04-29 1万+
阿里云推出国内首个集成“快思考”与“慢思考”能力的 Qwen3-8B 大语言模型，以80亿参数和 128K 上下文支持，重塑AI应用边界并助力开发者高效部署
AI大模型企业应用实战：Prompt让LLM理解知识
2401_84204413的博客
06-25 2595
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
开源模型应用落地-qwen模型小试-Qwen3-8B-快速体验-批量推理（三）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
05-05 9340
使用Transformers的pipeline实现批量推理
开源模型应用落地-qwen模型小试-Qwen3-8B-推理加速-vLLM-思考与非思考模式（四）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
05-07 1万+
Qwen3通过“思考模式”与“非思考模式”的双模态架构，实现复杂推理与实时响应的灵活切换，为大语言模型在智能与效率间的平衡提供创新解法。
用vllm/SGLang部署专属你的Qwen3大模型【附实战代码】
m0_55303420的博客
05-04 1485
一文详解用vllm/SGLang部署专属你的Qwen3大模型
开源模型应用落地-解锁大语言模型的无限潜能
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
01-11 2万+
1、您是否也在迫不及待地期待在AI时代中展示自己的能力？ 2、您是否一直在研究如何使用开源模型？ 3、您是否一直在寻找将AI与业务结合的方向？ 4、您是否一直在寻找模型推理加速的方法？ 5、您是否一直在努力整合来自互联网上零散的资料？
开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现推理加速的正确姿势-结构化输出（五）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
11-21 1万+
通过结构化输出将模型生成的结果组织为易于解析和处理的数据格式。使得后续的数据处理、分析和集成变得更加高效和灵活，便于开发者和应用程序自动提取关键信息，实现更复杂的功能和交互。
使用VLLM部署Qwen3大模型的完整指南
engchina的专栏
04-29 3107
使用VLLM部署Qwen3-32B大模型的完整指南
Pycharm（十九）深度学习
higerwy的博客
05-06 1437
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
基于EMD-PCA-LSTM的光伏功率预测模型研究
专注AI大模型,软件混淆,授权
05-14 54
本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一
使用深度学习预训练模型检测物体
最新发布
xinyu的记录博客
05-14 733
使用 GeoAI 工具和预训练模型自动检测棕榈树。
人工智能-深度学习之循环神经网络
m0_51678367的博客
05-14 633
LSTM文本生成实战summary1、通过搭建LSTM模型，实现了基于文本序列的字符生成功能；2、学习了文本加载、字典生成方法；3、掌握了文本的数据预处理方法，并熟悉了转化数据的结构；4、实现了对新文本数据的字符预测。
Python数据分析案例74——基于内容的深度学习推荐系统（电影推荐）
weixin_46277779的博客
05-10 1464
电影数据集构建推荐系统，结合内容推荐和深度学习两种方法。预处理、探索性分析，加权平均法和余弦相似度进行基于内容的推荐，计算电影的相似度并生成推荐结果。并且使用深度学习模型，构建评分预测和检索任务，用户个性化推荐和评分预测。
深度学习 自然语言处理(RNN) day_02
qq_59348412的博客
05-13 997
感知机由于结构简单，完成的功能十分有限。可以将若干个感知机连在一起，形成 一个级联网络结构，这个结构称为“多层前馈神经网络”（Multi-layer Feedforward Neural Networks）。所谓“前馈”是指将前一层的输出作为后一 层的输入的逻辑结构。每一层神经元仅与下一层的神经元全连接。但在同一层之内， 神经元彼此不连接，而且跨层之间的神经元，彼此也不相连。循环神经网络（Recurrent Neural Network，RNN）是一种神经网络结构，专门用于处理序列数据。
Lora原理及实现浅析
m0_68784427的博客
05-11 718
简单介绍了Lora的原理及
LSTM对IMDB数据库情感判断模型训练的实践及改进
harebert的博客
05-10 629
本文介绍了如何使用LSTM模型对IMDB电影评论数据集进行情感分析。首先，确保NLTK资源已下载，并配置了数据路径、最大长度、批量大小、嵌入维度、隐藏维度和训练轮数等参数。接着，加载IMDB数据集，构建词汇表，并将文本数据编码为张量。随后，定义IMDBDataset类用于处理数据，并使用DataLoader进行批量加载。模型部分定义了一个LSTM模型，包括嵌入层、LSTM层和全连接层，并使用BCELoss作为损失函数。最后，通过训练和评估函数对模型进行训练和测试，计算训练损失和准确率，并输出测试准确率。整个
【深度学习新浪潮】智能追焦技术全解析：从算法到设备应用
agito_cheung的博客
05-09 195
智能追焦是基于人工智能和自动化技术的对焦功能，通过深度学习算法识别并持续跟踪移动物体（如人、动物、运动器械等），实时调整焦距以保持主体清晰，显著提升动态场景拍摄成功率。：搭载 BIONZ XR 芯片，集成 TransTrack 类算法，0.03 秒超高速对焦，通过卡尔曼滤波预测高速运动轨迹，适合体育摄影。：结合激光雷达（如荣耀 Magic7 的 1200 点激光对焦）与视觉算法，实现毫米级对焦精度，解决低纹理场景（如白墙前的人物）追焦难题。实际应用：可连接镜头控制模块（如步进电机 API），通过。
评论 4
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