制作ubuntu的img
1 导出ubuntu系统
使用VMware导出ubuntu系统，得到grubTest.mf grubTest.ovf grubTest-disk1.vmdk3个文件。
2 使用qemu-img转换镜像格式到raw
转换镜像文件格式qemu-img convert -f vmdk -O raw grubTest-disk1.vmdk grubTest-disk1.raw
本站所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 IT技术记录小站！
相关推荐
2023-03-18
linux解压7z包
linux解压7z包debian系安装7z 1sudo apt install p7zip-full 解压 17z x *.7z redhat系安装 1yum install p7zip -y 解压 17za x *.7z
2023-05-09
gpt生成的pythonastart博客
gpt生成的pythonastart博客A算法是一种基于启发式搜索的路径规划算法。它的特点是既能够保证在搜索时考虑到目标节点的距离，又能够考虑到当前节点到起点的距离。这种特点使得A算法在寻找最短路径时非常高效。 首先，我们需要明确A算法使用的数据结构。A算法的核心是一个优先队列，由于A*算法是一种启发式的算法，对于优先队列的优先级，我们需要使用一个估价函数来进行评估，这个估价函数用来评估当前节点到达目标节点的预期距离和当前节点到起点的距离之和，即f(n) = g(n) + h(n)，其中g(n)表示节点n到起点的距离，h(n)表示节点n到目标节点的预期距离。 在实现A*算法之前，需要定义三个函数：一个用来计算每个节点的估价函数值，一个用来判断是否到达目标节点，以及一个用于生成节点的函数。这三个函数是算法的核心部分，需要根据具体场景来设计。 下面是Python的A*算法的实现： 123456789101112131415161718192021222324252627282930313233343536373839404142434445import heapqdef heuris...
2019-08-28
cp文件计数
cp文件计数12345678910#!/bin/bashFNUM=`ls -alLR testsrc | grep "^-" | wc -l`echo $FNUMcp -vrf testsrc testdst | awk '{ count += 1 printf("%d， %.2f%", count, 100*count/sum)}END {print ""}' count=0 sum=$FNUM
2023-06-05
ubuntu20.4配置pxe之配置无盘
PXE配置安装安装dhcp、tftp、nfs，前面的博客有说明。 安装syslinux1sudo apt install syslinux syslinux-common pxelinux 配置复制文件到/var/tci/tftp(tftp的目录) 123456789cp /usr/lib/syslinux/modules/bios/ldlinux.c32 /var/tci/tftp/cp /usr/lib/syslinux/modules/bios/libutil.c32 /var/tci/tftp/cp /usr/lib/syslinux/modules/bios/menu.c32 /var/tci/tftp/cp /usr/lib/PXELINUX/lpxelinux.0 /var/tci/tftp/cp /usr/lib/PXELINUX/pxelinux.0 /var/tci/tftp/cp /boot/initrd.img-5.15.0-72-generic /var/tci/tftp/cp /boot/initrd.img-5.15.0-73-generic /v...
2023-07-25
测试initrd.img
测试initrd.img1qemu-system-x86_64 -kernel ./vmlinuz-5.4.0-42-generic -initrd ./initrd.img -m 1024M kernel和initrd版本要相同 qemu工具和kernel要对应
2023-05-10
GPT3.5
GPT-3.5是一个基于深度学习的自然语言处理模型，是GPT系列的最新版本。它是由OpenAI开发的，并在2021年6月发布。GPT是“Generative Pre-trained Transformer”的缩写，中文意思是生成式预训练变换器模型。它通过使用大量的语言数据和强大的深度神经网络，自动学习各种语言任务，例如自然语言理解（NLU）、问答、生成文本、对话等等。 GPT-3.5的模型规模非常大，具有1.6万亿个参数，是之前GPT-3的5倍。这使得它可以处理更复杂的语言任务，从而产生更准确、更自然的语言输出。此外，GPT-3.5还包括对有关生成文本、问答、语言理解等方面的功能和性能进行的改进。 GPT-3.5通过预训练和微调来完成各种语言任务。在预训练过程中，它使用大量的语料库数据进行训练，并对词语建立了语言表示，这使得它能够根据前面的输入内容推断出接下来的语句。在微调阶段中，它可以使用特定的领域数据进行训练，以完成具体的任务。 GPT-3.5在自然语言生成、对话、文本摘要、语言翻译和问答等方面具有非常强大的能力。在测试中，GPT-3.5已经表现出与人类相当的水平，甚至在某些...
