win11 使用 QEMU 配置龙芯 3A5000 虚拟环境

下qemu模拟arm9_X86机器模拟龙芯CPU与编译 .NET CoreCLR 目录.NET收到一台龙芯机器编译 CoreCLR 环境要求部署虚拟机与环境Linux 安装 KVM下载需要的文件启动模拟器下载 CoreCLR尝试编译 CoreCLR前段时间得知龙芯团队成功移植并开源了 CoreCLR ,忙完事情后,快乐地捣鼓一下这个东西。近年来国产操作系统、芯片等的到很大的关注和快速发展,我们开发的软件适配国产的机器环境就尤为重要,未来 IT 行业的变化会影响到我们的... 阅读详情
AI摘要

本文详细描述了如何在Windows上下载并利用QEMU模拟器创建、安装和配置Loongarch架构的虚拟机,包括下载固件、镜像文件,生成虚拟机文件,以及安装ArchLinux等操作。,

01 下载资源

本实验使用资源:

开源模拟器qemu 下载地址, qemu-w64-setup-20230822.exe
loongarch 固件下载: QEMU_EFI_8.0.fd
loongarch 基本镜像下载: archlinux-loong64.iso

qemu安装在D:\install\qemu:

D:\install\qemu>dir | findstr "qemu-system-loongarch"
2023-08-23  02:05        10,648,816 qemu-system-loongarch64.exe
2023-08-23  02:00        10,648,816 qemu-system-loongarch64w.exe

更多下载资源:


固件下载地址
北京大学下载镜像
QEMU_EFI_7.1.fd
QEMU_EFI_7.2.fd
QEMU_EFI_8.0.fd
说明文档:
README.html
README.txt

以安装好的虚拟机文件(可直接用qemu-system-loongarch64加载启动):

透过 QEMU 初步体验龙架构 阅读详情

相关推荐

Win11下用QEMU玩转龙芯3A5000:从零配置ArchLinux虚拟环境(附资源包)

本文详细指导如何在Windows 11系统下,使用QEMU模拟器从零开始配置龙芯3A5000虚拟环境,并成功安装ArchLinux系统。文章深入剖析了固件选择、驱动适配、性能调优等核心挑战,提供了经过验证的解决方案和优化参数,并附带了预配置资源包,帮助开发者快速搭建稳定的LoongArch开发与体验平台。

o4p5q6r7s的博客 835

Win11下用QEMU玩转龙芯3A5000:从零配置ArchLinux虚拟机的完整指南

本文详细介绍了在Win11系统下使用QEMU模拟器配置龙芯3A5000虚拟机并安装ArchLinux的完整指南。通过开源虚拟化技术,开发者无需实体设备即可体验国产CPU架构,涵盖环境准备、磁盘创建、虚拟机配置、系统安装及性能优化等关键步骤,为技术爱好者提供实用参考。

dapp9builder的博客 1056

QEMU模拟龙芯3A5000踩坑实录:Win11环境安装ArchLinux的那些坑(附解决方案)

本文详细记录了在Win11环境下使用QEMU模拟龙芯3A5000安装ArchLinux的全过程,包括固件选型、参数调优、图形界面问题解决及性能优化。特别针对龙芯架构的特殊性,提供了从启动参数到磁盘IO加速的实战解决方案,帮助开发者高效搭建稳定的虚拟环境。

gold8的专栏 697

Win11下通过QEMU搭建龙芯3A5000虚拟开发环境全攻略

本文详细介绍了在Windows 11系统上,使用QEMU模拟器搭建龙芯3A5000虚拟开发环境的完整教程。通过准备特定资源、创建虚拟机、安装Arch Linux系统及配置图形化桌面,开发者无需实体硬件即可低成本体验和适配龙芯架构,为软件移植和国产化开发提供便利。

weixin_29206669的博客 558

Win11上用QEMU搭建龙芯3A5000 ArchLinux虚拟环境全攻略

在跨架构软件开发与测试中,指令集模拟是一种低成本、高效率的验证方式。QEMU作为业界领先的多架构模拟器,能够模拟包括LoongArch在内的多种CPU体系结构,为开发者提供接近真实的硬件环境。通过QEMU的TCG纯软件模拟模式,无需实体龙芯硬件即可运行LoongArch64系统,实现二进制编译、内核调试及软件移植验证。本文详解如何在Windows 11下配置QEMU、加载LoongArch UEFI固件,并安装ArchLinux的LoongArch版本,打造一套完整可用的龙芯3A5000开发环境。无论是软件

weixin_33146151的博客 85

Win11下QEMU模拟龙芯3A5000环境搭建全攻略

在缺少龙芯实体机的情况下,开发者如何在x86环境完成LoongArch软件适配?QEMU作为跨平台虚拟化模拟器,通过动态二进制翻译技术提供系统级全系统模拟,可在Windows宿主机上完整模拟龙芯3A5000的LA464处理器与virt平台。该方案无需专用硬件,支持固件引导、ISO安装、内核调试及驱动验证,为国产化基础软件适配、镜像测试和LoongArch汇编研究提供了低成本、高还原度的开发环境。本文以Win11为宿主机,详细梳理QEMU安装、固件与镜像选择、启动参数配置、网络调优及常见问题排查,给出可直接落

weixin_27188815的博客 272

在x86平台体验龙芯LoongArch--使用Qemu-7.2安装LoongArch版的ArchLinux

在x86机器上使用源码编译qemu 7.2 ,并安装LoongArch版的ArchLinux

sense的专栏 7627

从零开始:在QEMU上搭建龙芯LoongArch开发环境(含常见错误解决)

本文详细介绍了如何在QEMU上搭建龙芯LoongArch开发环境的完整流程,包括工具链安装、QEMU配置、Linux系统构建及常见错误解决方案。通过实战指南帮助开发者快速掌握LoongArch指令集架构的开发技巧,适用于国产CPU架构的学习和应用。

weixin_30788619的博客 379

QEMU-EFI.fd文件

qemu安装虚拟机核心文件

qemu-macos-x86-arm64:使用QEMU在macOS x86_64上运行虚拟化的arm64 Linux Alpine

运行带有QEMU的macOS x86_64上虚拟化的arm64 / aarch64 Linux Alpine。 需要安装qemu-system-aarch64 ,可以从Homebrew获得: brew install qemu 跑步: ./qemu-arm64.sh 首次运行时,它将复制user-data-init.qcow2到user-data.qcow2并通过qemu-system-aarch64启动Alpine Linux。 唯一的用户是root ,没有密码。 不要在互联网上使用它! 没有root用户密码,也没有防火墙。 仅在本地使用。 接下来要做的就是登录后保存VM状态。这使qemu能够立即启动,还可以让您从上次中断的地方继续。 随着您的虚拟机运行,打开第二个终端,然后... rlwrap socat -,echo=0,icanon=0 unix-connect:mon

windows下安装arm系统(麒麟)QEMU-EFI.fd引导文件

windows下安装arm系统(麒麟)QEMU-EFI.fd引导文件

LLaMA-Factory全面指南:从训练到部署

LLaMA-Factory项目是一个专注于大模型训练、微调、推理和部署的开源平台。其主要目标是提供一个全面且高效的解决方案,帮助研究人员和开发者快速实现大模型的定制化需求。简化大模型训练流程:通过提供一系列预设的训练脚本和参数配置,降低用户在训练大模型时的技术门槛,使得即使是初学者也能轻松上手。增强模型微调能力:支持多种微调方法,如LoRA、QLoRA等,使用户能够根据特定任务需求对模型进行精细调整,从而提升模型性能。优化推理和部署体验。

全世界的博客 1万+

从零搭建一个AF架构项目:基于TIA Portal V19和S7-PLCSIM的仿真调试全流程

本文详细介绍了如何在TIA Portal V19环境中从零搭建西门子Automation Framework(AF架构)项目,包括环境准备、硬件组态、核心组件创建、项目架构分层实现以及仿真调试全流程。通过模块化编程和标准化接口设计,AF架构显著提升工业自动化项目的开发效率和维护便利性,特别适合S7-1500系列PLC的应用开发。

weixin_29313547的博客 678

【G4基础03】2.3 How to Specify Materials in the Detector

定义探测器材料

adelall的博客 491

H3C设备VRF配置实战:5步搞定多业务网络隔离(附排错技巧)

本文详细介绍了在H3C设备上配置VRF(虚拟路由转发)实现多业务网络隔离的实战方法。通过五步配置流程,从创建VPN-instance、绑定接口到配置独立路由表,帮助网络工程师在单台设备上构建逻辑隔离的企业级网络,并分享了高级路由配置与常见排错技巧。

gold8的专栏 942

关于影响力最大化问题中贪心算法的一些理解

在影响力最大化问题中(Influence Maximization,以下简称IM),贪心算法是最早提出的一种解决方法,并且一直沿用至今。它基于IM问题所具有的单调性(Monotonicity)和子模性(Submodularity)使用一种Hill Climbing策略,不断使用Monte Carlo模拟来寻找在当前情况下的具有最大传播范围的节点,添加至种子集合,得到最终结果,算法伪代码如下所示: 这里算法1其实并没有使用MonteCarlo模拟,而只是使用了贪心的策略...

nianjuan1990的专栏 2852

【博客汇总】UV打印机博客汇总

UV平板机博客汇总

Print World的专栏 1756

AI大模型API中转站选型指南:12项关键指标与实战评估

随着AI大模型技术的快速迭代,企业面临着一个核心挑战:如何在基础模型频繁更新的背景下,为业务系统选择稳定可靠的API中转服务?本文基于真实生产环境测试数据,从12个关键维度系统评估主流API中转站平台,帮助技术团队在模型快速演进的生态中做出科学选型决策。 1. API中转站的核心价值与业务场景 1.1 什么是API中转站 API中转站(API Gateway/Aggregator)是连接业务系统与多个大模型厂商的中间层服务。它通过统一的接口封装了不同厂商的API协议差异,为企业提供标准化的模型调用能力。在实

weixin_29056101的博客 448

让 ABAP 内表真正释放内存:从 CLEAR、FREE 到打破 Table Sharing 的实战技巧

ABAP内表内存管理的关键在于理解其运行时结构:DELETE操作仅逻辑删除行而不会释放内存,CLEAR或FREE才能真正回收内存。常见的误区包括误判空表状态和忽视内表共享机制。实际应用中,大表筛选后应采用VALUE表达式或逐行插入方式重建表体以释放内存。典型案例显示,正确处理内表内存可显著降低SAP Gateway和批处理程序的内存消耗,提升系统稳定性。开发时需结合调试工具观察内存状态,避免因共享机制导致无效回收。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 326

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

上一篇: chromium 50 chromium57 版本编译启用 widevine 功能
下一篇: python如何不生成pyc文件(三种方式)
longji
博客等级 码龄26年 1837粉丝 552原创
评论 2
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