Linux学习之CentOS(一)----在VMware虚拟机中安装CentOS 7

VMware中安装CentOS系统 阅读详情

一、 VMware简介:

VMware是一个虚拟PC的软件,可以在现有的操纵系统上虚拟出一个新的硬件环境,相当于模拟出一台新的PC,以此来实现在一台机器上真正同时运行两个独立的操作系统。

VMware的主要特点:

  • 不需要区分或重新开机就能在同一台PC上使用两种以上的操作系统;
  • 本机系统可以与虚拟机系统网络通信;
  • 可以设定并且随时修改虚拟机操作系统的硬件环境。

VMware Workstation10.0.3下载地址:

精简版:http://pan.baidu.com/s/1jGFqhzo 
官方版:https://download3.vmware.com/software/wkst/file/VMware-workstation-full-10.0.3-1895310.exe

和谐号 
1F48Z-6MJ4H-UZUA8-UT176-92W5A 
HA2PK-DMH1Q-5Z6E0-Q327H-3303N 
MF2QC-8HK07-WZ058-683N4-138NP 
MG2E7-8XJ82-QZR59-XTC54-13T3J

 

二、CentOS简介:

CentOS(Community ENTerprise Operating System)是Linux发行版之一,它是来自于Red Hat Enterprise Linux依照开放源代码规定释出的源代码所编译而成。由于出自同样的源代码,因此有些要求高度稳定性的服务器以CentOS替代商业版的Red Hat Enterprise Linux使用。两者的不同,在于CentOS并不包含封闭源代码软件。

CentOS 7下载地址:

http://mirrors.hust.edu.cn/centos/7.0.1406/isos/x86_64/

 

三、CentOS的安装:

虚拟机版本:VMware Workstation_10.0.3

Linux系统版本:CentOS_7(64位)

物理机版本:Win 7旗舰版

注:本人为初学者,在虚拟机上安装CentOS,方便同时在Win7上操作以及和物理机进行通信;等操作熟练之后可以装双系统。

1、虚拟机的创建:

打开安装好的VMware (如果大家安装的VMware是英文版的也没关系,对号入座即可),选择“文件--->新建虚拟机”,如图:

 

这里选择“自定义”,下一步:

选择默认,下一步:

选择“第三项“稍后安装操作系统”,以后安装,方便进行配置。下一步:

(注:上图中,第一项是用光盘安装,第二项是用硬盘里的ISO镜像安装)

上图指的是,打算在虚拟机中模拟一个怎样的操作系统,这里选择Linux,Version里选择CentOS 64位,下一步:

输入虚拟机名称(可以随便起),选择镜像文件存放的路径。下一步:

选择给虚拟机分配的cpu核的数量,如果为虚拟机选择的cpu数超过本机实际cpu数量,VMware会给出警告。这里选择默认即可。下一步:

虚拟内存分配,一般选默认的1024MB就行(注:给虚拟机分配的内存不能超过物理 内存的一半,而且稍后如果想要使用图形界面安装CentOS,至少要分配628M的内存),下一步:

这里是网络类型分配,网络类型分配分为三种,Bridge,NAT和Host-Only,大概区别是

1 BRIDGE:相当于主机和虚拟机连接到同一个hub上,虚拟机要和主机配置到同一网段上

2 NAT:使用vmnet8,主机开启必要的VMware服务,如vmvare dhcp,虚拟机设置成dhcp方式即可,当然也可以手工设置成vmnet1同一网段,比较麻烦

3 HOST-ONLY:使用vmnet1,直接和主机互联,可以使用ifconfig查看配置情况

这里选择NAT,下一步:

选择io控制器类型,选择默认的即可,下一步:

选择要创建的磁盘类型,选择默认的即可,下一步:

选择虚拟硬盘类型,这里选择创建一个新的,下一步:

选择磁盘空间大小,默认即可,下一步:

设置虚拟镜像文件名称,默认即可,下一步:

创建完成,确认虚拟机信息(其实以后也可以修改),点“完成”即可。出现了下面的界面:

这就是我们虚拟出来的一台计算机,上方红框中,可以看到虚拟机的硬件信息,也可以进行修改,或者点击菜单栏“虚拟机--->设置”,也可以对硬件配置进行修改。

虚拟机的使用技巧:【创建快照】(可忽略)

快照的功能相当于一件还原,当我们在后续操作中,即使将虚拟机搞崩溃了,读取快照,就可以还原到此时的状态。

点击上方红框中的按钮,或者选择菜单栏“虚拟机--->”快照:

给快照起个名字。以后如果想要恢复快照,点击下方红框中的按钮:

弹出对话框:

选择之前保存的快照,点击“转到”,即可。

注:快照会占用一定的内存,而且,真正的服务器是没有快照的功能。

2、安装CentOS镜像:

首先需要加载CentOS镜像。选择“虚拟机--->设置”:

点击”CD/DVD(IDE)”,打开虚拟机光盘设置页面,点击”使用ISO镜像文件”,选择待安装的ISO镜像文件。就是刚刚下载的CentOS-7.0-1406-x86_64-DVD.iso文件。点击“确定”:

然后点击”开启此虚拟机“,启动虚拟机。

PS:

打开虚拟机之后,提示了一个小错误,错误如下:

根据错误提示,到BIOS里面设置了一下,这里把Intel virtual Tehnology 的设置改为enabled 就可以啦: 

然后重启继续安装。这个时候,要赶紧将鼠标点进去,并快速按F2键,弹出如下的BIOS启动界面:

(注:解释如下,计算机默认是从硬盘启动的,但是这个虚拟机现在是空的,所以现在要设置为通过光盘启动,才能进入安装界面)

根据上图所示,选择“Boot”菜单,然后通过键盘上的“+”将“CD-ROM Drive”放在最上面,即优先启动。

紧接着,按照上图所示,进入Exit菜单,选择第二项“Exit Discarding Changes”,即不保存退出,按enter键确认。

之后出现如下界面:

在上图中,选择第一项“Install CentOS 7”,按enter键确认。之后,弹出如下图形化的安装界面:

选择简体中文的语言,单击“继续”,弹出如下界面:

日期和时间:

 

如果你安装的是英文版,需要将时区改为上海。本人安装的是中文版,选择默认的上海时间即可。

键盘:

 

英文键盘和中文键盘布局是一样的,默认即可。

安装源:

可以看到,安装源是自动检测的,不用修改,单击“完成”即可。

软件选择:

 

个人用户建议选择桌面版,服务器建议选择最小安装。我这里选择桌面版,并根据需要安装一些软件及工具(反正我是全安装了的)。

网络和主机名:

打开网络连接就行了,单击“完成”。

安装位置:

 

选择“我要配置分区“,点左上角的“完成”,进入下面的界面:

根据上图所示,分区方案选择“标准分区”。并开始挂载分区:

将/boot分区设为200M:

将swap分区设为2G:(这里不用修改文件系统方式,默认的方式为swap即可)

将/home目录设置为2G:

最后,给根分区/分配剩余的全部空间:

分配完了,单击左上角的“完成”,出现如下界面:

接受更改就行了。

配置完成了,单击“开始安装“:

在安装的过程中,我们可以设置一下root密码,还可以创建一个常用账号:

这样,就大功告成了。

关于虚拟机镜像无法检测 系统之家,看到了吧,我当时也是被我们的老师给误导了,他点开这个,我以为他在这个里面下载镜像,但是呢,并不是这样,因为这个里面全是镜像,是安装系统的镜像,并不是虚拟机专用的镜像文件,这是两个不同的东西,直到我看到一条相关的百度词条是说这个的,也是一个相关的博客,在这之前,都是一些废话,可见互联网上面也不是所有的东西都能搜索到,只鞥你是一些明显的相关的东西可以,大家要有自己的分辨能力,。看到了嘛,这个带着cn的就是,可以正常安装的,其实你们一开始下载的镜像没哟任何问题,但是不是这个的版本,下节课给大家介绍,。 阅读详情

相关推荐

VMware安装Linux CentOS 7.7系统

如何在Vmware安装Linux CentOS 7.7系统,并且是最小化安装。之后进行必要的配置修改,并实现基础优化。最后做一个快照。

踏歌行的专栏 6577

VM安装centos

VMware安装Centos7(详细图文步骤)

qq_54059106的博客 8860

使用VMware 16搭建Centos 7 Linux虚拟机

使用VMware 16搭建Centos 7 Linux虚拟机前言一、新建虚拟机1、打开VMware软件,点击创建新的虚拟机2、默认典型即可3、选择稍后安装操作系统4、选中Linux和CentOS 7 64 位5、修改虚拟机名称和路径6、虚拟机磁盘容量根据需求填写,默认20GB足够7、点击自定义硬件7.1、内存根据需求填写,此处我只需要2GB7.2、处理器设置为1个,内存数量为2个(还是根据实际需求定)7.3、这时选择下载好的Linux镜像文件(下载地址在文章末尾)8、点击开启此虚拟机9、点击我已完成安装10

我吃柠檬的博客 4292

VMware安装centos(详细教程)

centos7详细安装教程

m0_65178842的博客 8101

[Pytorch案例实践001]手写MNIST数字识别

Pytorch实现手写数字识别,带完整数据集。

2403_83044722的博客 1115

自适应动态规划硕士博士论文学习

强化学习关注随机过程中的序贯决策问题,而自适应动态规划关注动态系统的控制问题。吸引域:系统渐近稳定的区域。

DarlingLSA的博客 1425

VMware安装CentOS(保姆级教程,建议收藏)

本文介绍VMware 15.5 PRO安装CentOS7,内容详细(文末提供给VMware、序列号、CentOS7网盘资源下载地址),资源长期有效,建议收藏! ​ 一、资源前期准备 1、软件准备 VMware 15 CentOS-7-x86_64-DVD-1511-7.2镜像 2、硬件要求 通过宿主机运行VMware安装CentOS对宿主机有一定的要求,建议多核CPU、8G内存、500G硬盘以上。可以在任务管理器中查看CPU、内存和磁盘配置和使用情况。 二、安装 1、虚拟机准备

Java框架、并发编程、分布式、微服务、Redis、HarmonyOS、中间件等技术 2785

如何打开本地网络的防火墙端口(Windows版)解决ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝,无法连接。问题

ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝,无法连接。 最开始在遇到这个报错的时候十分不解,后来经过思考,有可能是服务器端口占用,或者并没有放行。因此搜查问题的关键是要先去排查问题。 在搜索栏输入控制面板 选择防火墙 选择开关 保证这些选项是开着的 选择高级设置 新建规则 创建协议端口 选择端口 允许连接 点击下一步 创建规则后点击下一步(后命名) 选择任意端口ALL即可 问题排查完毕!socket创建网络通信时,有读者

weixin_46900108的博客 9万+

ComfyUI 中文整合包安装指南:从节点工作流到 AI 绘图实战

节点工作流是可视化编程的一种实现方式,通过将复杂任务拆分为可连接的模块,使流程控制更加透明和可复用。在 AI 图像生成领域,这一原理被 ComfyUI 应用于 Stable Diffusion 等模型,让用户能够逐节点调试提示词编码、模型加载与采样过程,显著提升生成结果的可控性与效率。其技术价值在于解决了传统黑盒式工具的参数不透明问题,支持多模型串联、条件分支等复杂场景,尤其适合需要固定风格批量生成或工业化流程的创作者。秋叶发布的 ComfyUI 整合包进一步降低了使用门槛,预置中文界面、依赖环境及常用插件

weixin_34192816的博客 376

ESP32搭配FT6236触摸屏:从芯片手册到完整I2C驱动代码的保姆级解析

本文详细解析了ESP32搭配FT6236触摸屏的I2C驱动开发过程,从芯片手册解读到完整代码实现。通过硬件架构分析、寄存器配置、I2C通信封装及触摸数据处理等步骤,提供了一套完整的驱动解决方案,帮助开发者快速掌握ESP32与触摸屏的交互技术。

weixin_29174385的博客 291

STM32控制气泵和电磁阀实现

2、mos管的选型:mos管选择主要注意两个参数即可,一是导通的电流,二是耐压值,并且常用NMOS管,根据要求,气泵和电磁阀供电电压为12V,所以选择的mos管耐压值要大于12V,这里选用耐压值为30V的MOS管,并且导通电流为5.8A,如下图。1、气泵和电磁阀的开和关均为开关量,实现控制方法有多种,比如继电器,但是继电器动作有噪声且体积较大,更好的方法为使用mos管。使用STM32控制气泵和电磁阀的开和关,气泵和电磁阀的供电电压为12V。最终实现单片机控制气泵和电磁阀的开和关。

jacklood的博客 1万+

保姆级VMware虚拟机安装Linux(CentOS7)

VMware 安装 Linux 虚拟机。

2万+

手把手教你用VCS+VERDI搭建数字IC验证环境(附Makefile避坑指南)

本文详细介绍了如何使用VCS编译器和VERDI调试工具搭建数字IC验证环境,涵盖从RTL设计到波形分析的全流程。重点解析了Makefile自动化构建、FSDB波形生成方法及常见问题解决方案,帮助工程师高效完成验证工作。特别提供了VCS编译参数配置和VERDI调试技巧的实用指南。

weixin_33738578的博客 447

VMware虚拟机安装CentOS7

本篇将介绍如何下载安装VMware虚拟机。对于系统开发来说,开发者时常会需要涉及到不同的操作系统,比如Windows系统、Mac系统、Linux系统、Chrome OS系统、UNIX操作系统等。由于在同一台计算机上安装多个系统会占据我们大量的存储空间,所以虚拟机概念应运而生。

踏雨歌青春,诗酒趁年华 2842

3D点云目标检测Complex-YOLO(训练篇)(一)———KITTI数据集预处理与制作

KITTI dataset Download dataset KITTI 3D Object Detection Evaluation 2017 link 下载四个部分,共41.4GB 解压后为四部分内容(相机校准矩阵calib、RGB图像image_2、标签label_2、点云数据velodyne) 对应的testing和training数据。其中,training数据为7481张(图片和点云对应的场景),testing数据 7518张(无label_2数据)。 Data Preprocess

“知识最大的敌人不是无知,而是错觉” 7150

YOLOv8改进 | 主干篇 | 利用MobileNetV1替换Backbone(轻量化网络结构)

本文给大家带来的改进机制是MobileNetV1,其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构,并利用深度可分离卷积构建轻量级深度神经网络,其引入了两个简单的全局超参数,用于在延迟和准确性之间进行有效的权衡。实验表明,MobileNets在资源和准确性的权衡方面表现出色,并在多种应用(如对象检测、细粒度分类、面部属性识别和大规模地理定位)中展现了其有效性,这个模型非常适合轻量化的读者来使用。适用检测目标:轻量化网络结构适合轻量化的读者。

Snu77的博客 3966

【超详细】VMware虚拟机安装Linux(CentOS)

在VMware中配置Linux虚拟机教程

qq_48185833的博客 2万+

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

<Linux环境搭建>虚拟机(VMware Workstation+CentOS7)安装及环境配置教程

“但惜今生,不问来世” ——By 作者:新晓·故知

m0_57859086的博客 5410

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

VMware虚拟机 安装 Centos7(linux)(新手超详细教程)

目前正在自学Linux,此为centos安装过程,随手记录一下。

m0_55905467的博客 2万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

VMware安装CentOS 7(全网超详细图文保姆版教程)

发现可以登录到centos 7系统里面(注:账号是 root,密码是3.15设置的 root 密码,密码在输入的时候是隐藏的)

wfchhhjj的博客 4万+
上一篇: Arthas - Java 线上问题定位处理的终极利器
下一篇: MySQL explain中key_len的计算
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
 
 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