零基础创建Ubuntu虚拟机

Linux虚拟机安装全攻略:从镜像下载到Ubuntu配置 操作系统是计算机运行的基础,而Linux作为开源、稳定且广泛应用于服务器领域的系统,一直是开发者和运维人员必须掌握的技能。对于初学者,直接在物理机上安装Linux可能面临破坏现有环境的顾虑,虚拟机技术则通过软件模拟完整硬件,让Ubuntu、CentOS等发行版在隔离的虚拟磁盘中安全运行。选择适合的虚拟机工具,如VMware Workstation、开源的VirtualBox或Windows自带的WSL2,是学习Linux的第一步。值得注意的是,Linux系统本身免费,无需任何激活码,网上所谓“Linux激活 阅读详情

需要的镜像可以在清华源下载:https://mirrors.tuna.tsinghua.edu.cn/ubuntu-releases/20.04/

创建虚拟机

选择Ubuntu 64位

自己选一个文件,防止所有的虚拟机

右键虚拟机,点击设置

关闭侧通道缓解

点击确定  然后开启虚拟机

将网络关闭,避免更新软件占用时间

使用键盘上下键移动光标

填写自己的ip地址

save 保存退出

然后一直 回车选done

然后直接回车

然后就可以用普通账户登录和远程连接了。

直接用root用户连接 需要优化。

下一篇说如何直接用root登录

Ubuntu零基础入门到精通【3.6讲】:一文带你在虚拟机中安装 Ubuntu:VMware、VirtualBox、Hyper-V 🏆 本文收录于 《滚雪球学 Ubuntu》 专栏。 本专栏面向有一定计算机基础,但尚未系统学习 Linux / Ubuntu 的读者,采用“滚雪球式学习法”:先装好、再会用、再理解、再优化、再实战,带你从第一次进入 Ubuntu 桌面 / 终端开始,逐步掌握 Ubuntu 的日常使用、命令操作、软件安装、系统配置、开发环境搭建与服务器部署能力。 阅读详情

相关推荐

SAP-ABAP:SAP中如何查看系统表之间的关联关系?

在业务逻辑开发或者ALV开发过程中,我们通常要从系统中找出几个标准表之间的关联关系,有的是head与item,通过外键进行关联的关系。那么怎么去找到呢?以上就是具体如何产看系统表之间的关联关系的步骤,对于不同代码的业务顾问,也是必须要掌握的。

LinkStar的博客 2432

Ubuntu 虚拟机创建

点击CD/DVD(SATA),选中使用 ISO 映像文件,找到下载好的 Ubuntu(iso)文件。12、点击处理器(CPU),修改CPU个数,建议不低于数量2,内核2。5、选中 Linux 和 Ubuntu 64 位,再点击下一步。11、选中新建的ubuntu虚拟机,再点击编辑虚拟机设置。6、修改 虚拟机名称 和 位置,或者默认即可。4、选中稍后安装操作系统,再点击下一步。2、选中自定义,再点击下一步。8、修改磁盘容量,点击一下步。一、Ubuntu镜像下载。1、点击创建新的虚拟机。

qq_30725967的博客 2715

深入解析CAN总线BusOff故障的检测与恢复机制

本文深入解析了CAN总线BusOff故障的检测与恢复机制。BusOff是CAN节点因发送错误过多而被强制离线的一种严重状态。文章详细阐述了其触发原理,即发送错误计数器(TEC)超过255,并重点介绍了通过软件实现的快慢恢复机制,以增强网络在异常情况下的稳定性和韧性。

weixin_29158047的博客 533

创建Ubuntu虚拟机

Ubuntu虚拟机创建

qq_72931343的博客 2784

开关电源的纹波和噪声电压-抑制方法

开关电源(包括AC/DC转换器、DC/DC转换器、AC/DC模块和DC/DC模块)与线性电源相比较,最突出的优点是转换效率高,一般可达80%~85%,高的可达90%~97%;其次,开关电源采用高频变压器替代了笨重的工频变压器,不仅重量减轻,体积也减小了,因此应用范围越来越广。 但开关电源的缺点是由于其开关管工作于高频开关状态,输出的纹波和噪声电压较大,一般为输出电压的1%左右(低的为输出电压的0.5%左右),最好产品的纹波和噪声电压也有几十mV;而线性电源的调整管工作于线性状态,无纹波电压,输出的噪声电压也

ltqdxl的博客 1万+

手把手教你学AutoSAR - 总目录

鉴于近期较多博友问及微信群,如下可申请好友验证,请备注“autosar”,否则可能添加不通过。验证通过后,拉入讨论群。PS:本人鉴于工作事项可能不能及时回复问题,可在交流群内部和其他博友之间相互沟通交流经验。欢迎来到桃源乐游的《AutoSAR配置与实践》,以下为学习大纲,蓝色字体点击可跳转。

nihaoljq2010的博客 7469

搭建Ubuntu虚拟机

搭建Ubuntu虚拟机 文章目录搭建Ubuntu虚拟机前言1. 啰嗦一下1.1 ubuntu虚拟机的作用1.2 为什么选择Ubuntu1.3 工具准备2. 正式开始2.1 安装VMware2.2 创建Ubuntu虚拟机2.3 安装VMware Tools2.3.1 VMware Too作用其他错误解决:2.4 其他常用服务 前言 很久之前就决定要开始写博客了,但是由于各种原因推脱到现在都还没开始。...

holidayi的博客 2762

解锁激光加工密码:功率、频率、脉宽、占空比全解析

激光加工利用高能量激光束实现材料加工,具有无接触、高效率等特点。其核心参数包括功率(决定能量输出)、频率(控制脉冲重复)、脉宽(调节能量作用时间)和占空比(调控工作周期),这些参数相互协同影响加工效果。针对不同材料需采用差异化参数组合:金属材料需较高功率,塑料需低功率防过热,陶瓷需高频短脉宽减少热应力。实际操作中应通过小范围测试逐步优化参数,并注意解决烧损、切割不平整等常见问题。合理调节这些参数可实现高质量、高效率的激光加工。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 624

【Ubuntu】1. 创建虚拟机

这一篇主要写了虚拟机的创建,不包含操作系统的安装,中间有些步骤没有提到的根据默认操作即可,也可以根据个人情况设置。

Primice个人空间 1241

《基于YOLOv5/8/10的足球比赛球员识别系统毕设全指南:从开发到部署的一站式实战》

本文提出了一个基于YOLO系列模型的足球球员识别系统,具备完整的开发流程和技术方案。系统通过YOLOv5/8/10三大框架实现球员检测,平衡精度与速度需求。开发过程包含数据标注与增强、模型训练调优、PyQt5界面开发等关键环节,并提供了模型轻量化、多任务扩展等优化方向。系统可实现单张图像和视频流的实时识别,支持跨设备部署,适用于赛事分析和训练复盘场景。项目特色在于完整的技术实现路径和对不同YOLO框架的性能对比,为计算机视觉在体育领域的应用提供实践参考。

m0_71589036的博客 218

NVIDIA Jetson之远程控制软件NoMachine安装使用

参考:https://www.bilibili.com/video/BV1cg4y1i776?t=12 0 背景

ZONGXP的博客 1万+

VMware--创建Ubuntu虚拟机

本文介绍VMware创建Ubuntu虚拟机的方法。 VMware是最好用的虚拟机软件,安装方法见: 本文安装当前最新的Ubuntu的LTS镜像:ubuntu2022.04.4LTS。

IT利刃出鞘的博客 3606

【第48例】BLM模型之市场洞察-五看工具篇(一)

BLM市场洞察

产品线负责人 2121

零基础教程:VMware虚拟机安装Ubuntu全流程(附图文详解)

桌面出现VMware Workstation图标即成功。:本文使用的许可证密钥仅供学习参考,请支持正版软件。指定虚拟机存储位置(建议剩余空间≥20GB)包含VMware安装包+Ubuntu镜像。选择安装位置,建议非系统盘,点击下一步。:全程需管理员权限运行安装程序。取消用户体验设置,点击下一步。VMware安装程序。接受条款,点击下一步。Ubuntu 64位。(根据主机配置调整)

xiaoyueup的博客 673

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

零基础教程:VMware安装Ubuntu超详细图解

作为完全的新手,我在安装过程中踩了不少坑,现在把完整的安装流程和注意事项整理出来,希望能帮到同样零基础的朋友们。这次安装Ubuntu虚拟机的经历让我深刻体会到,对于新手来说,选择正确的版本和配置选项非常重要。进入官网下载对应操作系统的版本,安装过程基本就是一路Next,但要注意勾选"Enhanced Keyboard Driver"选项,这对后续使用很重要。在最后确认界面,建议点击"自定义硬件",把内存调到至少2GB(4GB更流畅),处理器核心数建议2个。

AgatePanther34的博客 357

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

VirtualBox零基础入门:从安装到第一个虚拟机

最近工作需要学习Linux系统,但直接在电脑上安装双系统风险太大,朋友推荐了VirtualBox这款免费虚拟机软件。作为一个完全没接触过虚拟化技术的小白,我记录下自己从零开始的学习过程,希望能帮到同样刚入门的朋友们。VirtualBox是Oracle公司开发的免费开源虚拟机软件,相比VMware等商业软件,它完全免费且跨平台支持Windows、Mac和Linux系统。对于新手来说,界面友好、功能全面,特别适合用来搭建学习环境。他们的网页编辑器响应很快,还能一键保存进度,作为虚拟机学习的补充工具很合适。

NightshadeRaven21的博客 366

零基础入门:在虚拟机中安装Linux操作系统

许多Windows用户对Linux心生向往,却又担心安装复杂、影响原系统。别担心,通过虚拟机便能轻松实现“双系统”共存,全程零风险。本文将带你一步步完成Linux虚拟机的安装全过程。Linux是一套开源、免费的类Unix操作系统,由芬兰大学生Linus Torvalds于1991年发起开发。其核心理念是“自由、开放、协作”——任何人都可以自由获取、修改和分发其源代码,也可将其用于商业场景。虚拟机(Virtual Machine,简称VM)是对物理计算机系统的、基于软件的抽象,旨在模拟独立计算环境的功能。

n239581864的博客 766

VMware新手教程:从下载安装到创建第一个虚拟机

最近工作需要接触虚拟机,作为完全没基础的小白,我花了两天时间摸索VMware Workstation 17 Pro的使用。启动VMware Workstation后,点击"创建新的虚拟机"开始配置。点击"下一步"开始安装,建议选择"典型"安装类型,这样会自动配置最常用的选项。下载完成后,建议暂时关闭杀毒软件和防火墙,避免安装过程中出现权限问题。用户体验设置界面,建议勾选"增强型键盘驱动程序",这样能获得更好的键盘输入体验。完成配置后点击"完成",虚拟机就创建好了。点击"开启此虚拟机"按钮启动系统安装过程。

CrystalwaveStag的博客 609

新手零基础指南:用快马生成的代码轻松完成vmware虚拟机ubuntu安装

作为一个刚接触虚拟化技术的新手,第一次安装虚拟机可能会觉得有点无从下手。我自己刚开始学习Linux时,就被各种专业术语和复杂的配置步骤搞得晕头转向。后来发现,其实只要把整个流程拆解成小步骤,跟着清晰的指引一步步来,就能轻松完成。

RubyLion28的博客 19

超简单!Windows 虚拟机安装 Linux 零基础保姆级教程

想学 Linux 又不敢装双系统、怕弄坏电脑、不会搭环境?是新手最稳妥方案:不改动本机系统、随便折腾命令、玩坏一键还原、低配电脑也能流畅跑。本文,纯零基础照着点,一遍安装成功。

苏打水.X的博客 818

【Windows】VMware虚拟机安装Ubuntu-22.04(新手零基础指南)

本文详细介绍了在Windows系统上使用VMware虚拟机安装Ubuntu 22.04 LTS的完整步骤,从下载必要文件到系统配置和优化,特别适合零基础用户。内容包括VMware Workstation的安装、虚拟机创建、Ubuntu系统安装、VMware Tools配置以及常见问题解决方案,帮助用户轻松搭建Linux开发环境。

weixin_29260291的博客 218

零基础半小时搭建VMware虚拟机:从环境准备到Ubuntu安装实战

虚拟化技术通过在单一物理硬件上模拟多台独立计算机系统,实现了资源的逻辑抽象与隔离。其核心原理是利用虚拟机监控器(Hypervisor)在宿主机操作系统之上或之下创建虚拟的硬件环境,从而允许多个客户机操作系统并行运行。这项技术的核心价值在于提供了安全隔离的沙盒环境、可精确复现的测试与开发平台,并能显著降低硬件成本与运维复杂度。在软件测试、多系统开发、网络安全实验和教育培训等场景中,虚拟化已成为不可或缺的基础设施。本文聚焦于使用业界主流的VMware Workstation Pro工具,针对新手用户,详细拆解了

weixin_33690367的博客 424

虚拟机安装Ubuntu完整教程:零基础从Windows到Linux

操作系统是电脑的大管家,而Ubuntu作为最受欢迎的Linux发行版,以免费、开源、安全且对新手友好的特点成为探索Linux世界的入口。虚拟机技术则好比在Windows系统里搭建一个独立的“房间”,让你在不影响真实电脑的前提下安全体验和折腾新系统。通过VMware等虚拟化软件,你可以轻松创建虚拟硬件环境、挂载系统镜像、完成安装和基础配置,并在Linux生态中自由实验。对于零基础小白、想体验系统差异的新电脑用户,以及工作中需要接触Linux服务器的朋友,虚拟机上运行Ubuntu是降低试错成本的最佳实践。本文从

weixin_42524945的博客 236

零基础入门:Ubuntu 22.04 LTS 虚拟机安装全流程指南(附避坑技巧)

本文为零基础用户提供了在VMware Workstation上安装Ubuntu 22.04 LTS虚拟机的完整图文指南。详细讲解了从镜像下载、虚拟机创建、系统安装到后期优化的全流程,并分享了更换软件源、安装增强工具、使用快照等关键避坑技巧,帮助新手安全高效地搭建Linux学习与开发环境。

weixin_29313239的博客 534

零基础搭建SRE学习环境:VMware+Ubuntu Server虚拟机实战指南

虚拟化技术是现代IT基础设施的重要支撑,它通过Hypervisor层对硬件资源进行抽象与调度,使单台物理主机能够运行多个相互隔离的操作系统实例。对开发者和运维工程师而言,虚拟机的核心价值在于提供了低成本的试错空间,借助快照、克隆等功能,可以随时回滚系统状态,避免误操作带来的风险。在实际工程实践中,虚拟化技术广泛应用于本地开发环境隔离、多节点集群模拟以及生产环境部署前的演练。对于计划进入SRE(站点可靠性工程)或云计算运维方向的学习者,搭建一个本地Linux实验环境是高效学习的第一步。VMware Works

weixin_31986143的博客 212

利用VMware创建Ubuntu虚拟机

一、准备 1.下载Ubuntu20.04镜像源 Ubuntu中国下载地址下载Ubuntu桌面系统 | Ubuntu 尽量保存在方便找到的地方,下载完成后显示的图标如下 2.下载VMware Workstation Pro 16.2.2 VMware官网下载地址下载 VMware Workstation Pro - VMware Customer Connect (注:需要在官网注册自己的账号) 安装中全默认即可,也可以参考VMware 16 Pro安装实用教程(Windows系统)_Pol

Baiye959的博客 2万+
下一篇: 优化ubuntu直接root远程连接
彼岸544
博客等级 码龄5年 13粉丝 6原创
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  | 博主筛选后可见
 
 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
⌂ 换网址