a – 电脑软件能不能安装到C盘?这个误区一次性讲明白


【ZOL中关村在线原创技巧应用】我身边不少朋友,在使用电脑安装软件的时候,总是习惯性的把软件安装到D盘或者E盘等位置,刻意避开C盘。如果你也有这样的习惯,或者不明白为什么要这么做,那么我们下面就聊一下,软件到底能不能安装到C盘,上述这种习惯是怎么形成的?

电脑软件能不能安装到C盘?这个误区一次性讲明白

先说结论,我认为软件是完全可以安装在C盘的,而且使用软件默认的安装路径即可,不需要刻意更改。甚至我认为软件安装在C盘,要比安装到其他盘更便于整理资料。

我们先聊一下,为什么会有将软件安装到非C盘位置的习惯,个人认为主要有3个原因。

第一,以往硬盘的容量并不大,C盘的空间有限,安装软件太多的话容易造成C盘可用容量不足。在固态硬盘普及之前,大多数用户使用的是320GB、500GB机械硬盘,往往只给C盘分出60GB-200GB的空间。除去系统占用外,软件安装过多的话,容量很容易捉襟见肘。而在固态硬盘刚刚普及之时,固态硬盘的容量同样很小,这个问题依旧存在。于是不少人养成习惯,将软件安装在其他盘中,节省C盘空间。

电脑软件能不能安装到C盘?这个误区一次性讲明白

第二,错误观念影响,认为软件占用的空间越大,越会拖累系统运行速度。导致这种观念出现的主要有两个情况,一个是机械硬盘的随机读写能力很差,当C盘的文件碎片过多时,会显著影响到运行速度,很多人误以为变卡是容量占用的问题;另一个是当C盘剩余容量过小时,影响到了虚拟内存等功能的正常运行,导致系统变卡、报错,不少朋友也将此归结为软件占用容量导致的。

电脑软件能不能安装到C盘?这个误区一次性讲明白

第三,以往经常使用破解软件,免安装版本占比较高。或者一些工具型软件,会提供免安装版本。为了避免重装系统时误删,就存储在其他盘中。也有一些需要安装的软件,安装过后的文件夹,复制到新系统上同样可以正常使用。于是一些用户为了方便,便将常用软件安装在其他盘中,后续重装系统后就不用再一一安装了。

电脑软件能不能安装到C盘?这个误区一次性讲明白

而上述这3种情况,放在现在已经几乎不存在了。

随着大容量固态硬盘的普及,C盘容量焦虑几乎不存在了,现在不少用户的电脑C盘容量,不是512GB就是1TB,正常安装软件几乎不太可能将C盘占满。而且与机械硬盘不同,固态硬盘的随机读写能力很强,不存在文件碎片的问题,所以很少会因为硬件性能导致系统出现卡顿。

电脑软件能不能安装到C盘?这个误区一次性讲明白

另外,硬件性能越来越强,系统也变得更加稳定,以往可能经常需要重装系统,才能保持不错的运行速度,现在已经完全不存在了。以我个人经历为例,大学时重装系统的周期,大约是每1个月就需要重装一次。当然这个频率放在当时也是夸张的,但足以说明问题。如今我使用的电脑,至今没有重装过一次系统。

电脑软件能不能安装到C盘?这个误区一次性讲明白

同时,大家常用的电脑软件比较集中,正版意识越来越强,已经很少使用破解软件、绿色软件,而是选择从官网下载安装包。

那么是不是说,软件一股脑安装到C盘就可以了?当然不是。如果你的C盘容量过小的话,需要考虑哪些软件安装到C盘,哪些不能。例如微信QQ这样常用的软件,而且软件本身占用的容量也不算大,可以安装到C盘。但如果是游戏的话,比如Steam这种,它的游戏库通过简单操作就能够在新电脑上使用,无需重复下载的,可以安装到其他盘中。

电脑软件能不能安装到C盘?这个误区一次性讲明白

总结,电脑软件是完全可以安装到C盘的,而且建议大家按照软件默认的安装路径安装即可。当然,前提是你的C盘容量不要太小,至少256GB,最好在512GB及以上。如果C盘空间吃紧的话,可以优先将常用软件安装到C盘,体积较大的软件,且重装系统后不影响使用的,比如游戏,可以安装到其他盘中。

本文属于原创文章,如若转载,请注明来源:电脑软件能不能安装到C盘?这个误区一次性讲明白https://nb.zol.com.cn/982/9827625.html





nb.zol.com.cn
true

https://nb.zol.com.cn/982/9827625.html
report
2685
【ZOL中关村在线原创技巧应用】我身边不少朋友,在使用电脑安装软件的时候,总是习惯性的把软件安装到D盘或者E盘等位置,刻意避开C盘。如果你也有这样的习惯,或者不明白为什么要这么做,那么我们下面就聊一下,软件到底能不能安装到C盘,上述这种习惯是怎么形成的?先说…

Leave a Reply

Your email address will not be published. Required fields are marked *

Related Post

a – 固态硬盘最好别分区?这些硬盘分区误区你需要知道

【ZOL中关村在线原创技巧应用】如果用过Windows XP的用户,可能对以前的硬盘分区有印象,那就是大家往往喜欢将一块硬盘分成C、D、E、F四个分区,除了C盘外,其他盘分别命名成“资料”、“软件”、“办公”等。如今,可能一些朋友看到,或者听到,固态硬盘分区太多的话,会加速硬盘老化。那么,硬盘到底应该怎么分区才是对的? 我们首先要明白,为什么有些人坚持说固态硬盘分区太多的话,会降低硬盘寿命。先明确,这种说法是没有根据的,但可以找到出现的原因。 如果你把一个容量为1TB的机械硬盘分成两个500GB的分区,那么你往第一个分区里写数据,第二个分区始终是闲置的。因为机械硬盘内部主要结构是盘片和磁头,分区相当于把盘片进行物理区分,你往第一个分区里写数据,磁头就会移动到第一个分区对应的盘片位置,而第二个分区对应的位置则不会进行读写操作。 来到固态硬盘时代,不少朋友将上面的知识直接拿了过来。认为将一个1TB的固态硬盘分成两个500GB,如果只往第一个分区写数据,那么只会磨损对应的闪存颗粒,相当于固态硬盘的寿命相当于减半。要是分成4个分区,那寿命只有25%了。 事实并非如此,固态硬盘所有数据存储都是由主控决定的。它不再是将数据按照闪存排布的顺序进行存储。它是根据多个因素进行分配的,其中一个很重要的因素是闪存的磨损情况。所以即使你将固态硬盘分区,往一个分区里写数据,这个过程也是全盘写入。 所以说,固态硬盘时代流畅的分区过多会加速硬盘老化,是不正确的。但是,我还是不建议大家将一个固态硬盘分成太多分区,原因主要有2个。 第一,分区太多容易造成容量浪费。比如一个500GB的固态硬盘,如果C盘分300GB,D盘和E盘各100GB,如果D盘存储文件后的容量只有10GB,万一需要存储一个11GB的文件,那只能往E盘里存了,无形之中就让这10GB的容量浪费掉了。 第二,分区太多容易让存储的文件过于分散。相信不少朋友分区是为了方便整理资料,但如果一个盘的容量存放不下的话,就会出现一个类型的资料存储在多个分区中,后续整理起来会非常麻烦。其实方面整理资料的需求,完全可以通过文件夹的方式解决,整理资料也更加方便,移动文件基本秒实现,没有必要将硬盘分区。 按照我个人的经验,256GB及以下容量的固态硬盘就不要分区了,512GB左右的硬盘可以不分区,也可以分2个,即C盘和D盘。1TB的固态硬盘分2个分区是合适的。2TB以上就看自己的需求和心情了,毕竟容量足够大。 分区的方法也非常简单,甚至不需要安装第三方软件。以Windows 11为例,在开始菜单上右击,选择磁盘管理,这时候就能看到安装的硬盘。在需要分区的硬盘位置右击,选择压缩卷,然后在跳出的对话框中输入想要分出的容量,它是以MB为单位的,一般我们按GB来算,所以输入的时候,需要在目标GB上×1000。比如想要分出120GB的容量,可以输入120000,这样就会出现一个大约118GB的新分区。此时新分区还是黑色的,显示未分配,右击选择新建卷,然后一路点下一步就可以了。 总结,固态硬盘最好别分区,分区过多会降低寿命,这种言论大家最好别信。由于固态硬盘的特性,向某一分区内写数据,其实就是向全盘写数据,不存在因分区降低寿命的情况。所以大家使用固态硬盘的时候,其实想分多少区就可以分多少。不过,从数据整理的角度来看,不建议有太多分区,其实有整理资料的需求,可以通过文件夹的方式实现。 本文属于原创文章,如若转载,请注明来源:固态硬盘最好别分区?这些硬盘分区误区你需要知道https://nb.zol.com.cn/983/9834857.html 纠错与问题建议标签:固态硬盘 https://nb.zol.com.cn/983/9834857.html nb.zol.com.cn true 中关村在线 https://nb.zol.com.cn/983/9834857.html report 2683 【ZOL中关村在线原创技巧应用】如果用过Windows XP的用户,可能对以前的硬盘分区有印象,那就是大家往往喜欢将一块硬盘分成C、D、E、F四个分区,除了C盘外,其他盘分别命名成“资料”、“软件”、“办公”等。如今,可能一些朋友看到,或者听到,固态硬盘分区太多的话,…

a – 最近游戏本圈提到的n-1、n-2是什么意思

【ZOL中关村在线原创技术解析】关注游戏本,特别是关注RTX 50系游戏本的朋友,最近可能会经常看到n-1、n-2这样的描述。我也在用户评论中发现,其实有不少用户看不懂这样的描述。下面我们就解释一下n-1是什么意思,以及描述一台游戏本出现n-1时,意味着什么,对于性能有哪些影响。 图片来自笔吧评测室微信公众号 其实n-1,或者n-2的意思非常简单。这样的描述出现在处理器上,就是前一代,或者前两代处理器。其中n代表的是最新一代处理器,n-1也就是上一代处理器,以此类推。了解这一点很简单,但n-1对于一台游戏本有什么影响,对用户的游戏体验有哪些影响,是最重要的。 这里,我们以一款n-2处理器为代表,也就是i9-13900HX,来解读一下它对于游戏本的影响。 目前市面上已经有几款RTX 50系游戏本搭载i9-13900HX处理器,它的出现其实意味着,这款游戏本的定位是高性价比。原因很简单,i9-13900HX毕竟是几年前的产品了,其售价相比最新的Ultra低不少。游戏本厂商为了降低游戏本的售价,所以采用老款处理器。 这样的做法就是,用处理器的性能换更低的售价。 那么,这种做法对于游戏体验有没有影响。我们先看一下测试数据。 从实测的结果来看,在Cinebench R23中,i9-13900HX的多核性能为26431pts,单核性能为1995pts。大家可能对这个成绩没有概念,我们拿Ultra 9 275HX这颗最新的处理器做对比。 在同样的测试中,Ultra 9 275HX的多核成绩为39375pts,相比i9-13900HX的领先幅度高达49%。单核成绩为2199,领先i9-13900HX约10%。 其实成绩已经非常明显了,i9-13900HX放在最新一代处理器面前,性能确实不够看。 不过好在以上成绩其实代表的是峰值性能,而实际游戏的要求并不会达到这么高。只需要游戏需求没有超过i9-13900HX的最高性能,那么其实两者在游戏中的表现并没有太明显的区别。 所以,是否选择搭载i9-13900HX的RTX 50系游戏本,其实很重要的一点是,你究竟玩什么样的游戏。如果你经常玩的游戏,更看重显卡,而不是处理器,那么搭载n-2处理器的RTX 50系游戏本,同样也有不错的表现。但如果你常玩的游戏,比较看出处理器性能,比如《CS2》、《英雄联盟》等,那么即使是同样的显卡,搭载n-2处理器的RTX 50系游戏本,游戏帧数可能会低一些。 所以,是否选购搭载n-1或者n-2代处理器的RTX 50系游戏本,很大程度上取决于用户的预算。以RTX 5070 Ti移动版为例,与i9-13900HX搭配的话,一些机型在国补下,最低可以来到7999元。而搭配Ultra 9 275HX的机型,即使国补之后,其价格也在12000元以上,价格差距非常大。 从目前来看,最新RTX 50系游戏中,价格在12000元以下的机型,基本都是搭载n-1或n-2的处理器,万元以下基本全是。可以这样说,如果你的预算在万元左右,搭载n-1或者n-2代处理器的RTX 50系游戏本基本就是必选,无法避免。 本文属于原创文章,如若转载,请注明来源:最近游戏本圈提到的n-1、n-2是什么意思https://nb.zol.com.cn/976/9764364.html 纠错与问题建议标签:笔记本电脑 https://nb.zol.com.cn/976/9764364.html nb.zol.com.cn true 中关村在线 https://nb.zol.com.cn/976/9764364.html report 2239 【ZOL中关村在线原创技术解析】关注游戏本,特别是关注RTX 50系游戏本的朋友,最近可能会经常看到n-1、n-2这样的描述。我也在用户评论中发现,其实有不少用户看不懂这样的描述。下面我们就解释一下n-1是什么意思,以及描述一台游戏本出现n-1时,意味着什么,对于性能有哪…

a – 为什么NPU比GPU更适合AI加速计算

今天咱们聊聊NPU。 大家对于CPU、GPU这些常见计算单元已经比较了解,但是对于NPU却可能并不清楚它的工作原理和具体作用。 NPU即Neural Network Processing Unit,也就是神经网络处理器,从命名就可以看出它是专门应用于AI领域的计算单元。因此相对于CPU、GPU这些通用计算单元而言,NPU理论上是一种无需通用化的特型计算单元,也就是只做好“AI加速”这一件事情就可以了。 虽然目前对于NPU的开发和利用还处于极为初级的阶段,应用方面也只是摄像头背景虚化、降噪等少数一些功能会用到。但实际上NPU自身的计算架构设计特性,决定了它具备比GPU更快的AI计算加速能力。 要理解这一点,首先肯定是要了解NPU究竟是如何从硬件层面对神经网络实现加速的? Meteor Lake,也就是第一代酷睿Ultra,是英特尔首个集成NPU的处理器。从NPU架构设计可以看到,它的核心是两个神经计算引擎,而核心中的核心是两组MAC阵列(Multiplier and Accumulation)。 我们都知道,AI大模型推理计算简单来说就是在反复做矩阵乘法与加法,其计算结果率先生成预测数据,并通过不断计算让预测数据与真实数据实现最大程度的拟合,以缩小预测数据与真实数据之间的差异,进而最终推理出结果并在用户侧生成所谓的答案。MAC阵列就是为此而生,因此MAC阵列越多,乘法与加法计算的速度就越快,计算速度越快,拟合的过程就会不断提速,最终反映在应用端的就是AI大模型的生成速度加快。 最新的Lunar Lake,也就是第二代酷睿Ultra处理器,NPU中的神经计算引擎增加到了6个,MAC阵列也随之扩充到了6组,理论算力提升3倍。但由于目前大模型推理的主要负载都在GPU上,所以NPU的加速优势暂时无法得到体现。 那么为什么NPU更适合做AI计算加速呢? 我们先来看看GPU是如何做矩阵计算的。 以简单的4×4矩阵乘法为例,矩阵中的每一行每一列的每一个数都要进行16次乘法,所以总计需要进行16×4=64次乘法计算,同时,每一行每一列的每一个数乘完之后都要做一次加法,所以总计算需要进行16×3=48次加法计算。而GPU和NPU计算加速,本质上就是想办法去提升这64次乘法和48次加法计算的速度。 那么GPU与NPU在计算时有何不同呢? 首先GPU最擅长的就是做并行计算。其内部有多个可以同时工作的乘法与加法计算单元。虽然并行计算速度非常快,且能够同时完成多个计算任务,但每一次计算之前,都需要先把数据加载到缓存内,之后GPU控制器会从缓存中把数据取出来放入乘法计算器计算出结果,然后再把结果放回缓存中,之后控制器再把计算结果放入加法计算器中求和,之后再将结果放回缓存,最后再将前面求出的和放到加法计算器中求和,这个结果才是一次乘加计算的最终结果。 举个例子,如果想要计算a11=3×2+2×2+4×1+5×4这个算式,首先需要把这些数读入上图所示意的缓存中,之后读取到乘法器中,分别计算3×2、2×2、4×1以及5×4这四个乘法的结果,再将其结果6、4、4、20四个数放回缓存。我们将这一过程的指令定义为【指令1:乘法】。 之后将6、4、4、20四个数放入加法计算器,求出6+4、4+20的和,并将10和24放回缓存。这一过程的指令为【指令2:加法】。 最后将10和24放入加法计算器,求出10+24的和34,这一过程的指令为【指令3:加法】。 那么如果想要完成4×4矩阵计算,就需要把上述过程再“复制”15次,就可以完成这一矩阵计算任务。也就是说用GPU计算4×4矩阵的话,只需要3条指令即可完成,速度其实已经非常快了。 但从描述中可以看到,想要进行一次简单的4×4乘法与加法矩阵计算,就需要经历:缓存-乘法计算器-缓存-加法计算器-缓存-加法计算器这一系列计算步骤。如果是更大矩阵的计算,那么速度变慢是必然的。比如满血DeepSeek-R1的参数量达到了671B,也就是6710亿参数,想要在如此庞大的数据参数量里做矩阵乘法与加法,硬件性能压力可想而知。 那么有没有比“3条指令”更快的方法呢? 其实聪明的朋友一定发现了,GPU每次计算都要在计算器与缓存器之间将数据来回搬运,如果简化这个步骤,那么速度岂不是就加快了? 没错,NPU的计算架构思路就简化了每次计算都要存取缓存的设计。 如下图所示,NPU的计算阵列利用新建的管道(橙色示意),将乘法器和加法器直接相连,此时乘法器计算完的中间结果就会通过管道直接流入加法器进行加法计算,之后再将结果流入加法器进行最终的加法计算,这样只需要一条指令,即可完成整个乘法到加法的计算过程。 当然,GPU和NPU的计算架构设计并无严格意义上的优劣之分。 GPU是通用计算单元,其计算器设计思路能够满足计算公式的自由构建。 而NPU是专用计算单元,不需要那么高的灵活性,所以人为加入管道之后,只做特定公式计算就可以。 比如,GPU可以做a×b+c×d×e×f或a×b+c×d×e+f等等这样不同的公式计算,但NPU大都只能计算a×b+c×d+e×f这种公式。 当然,英特尔、AMD、苹果设计的NPU可能会有不同的计算器架构,如乘-加-乘或乘-加乘-加乘等等,排列组合方式不同决定了内部数据流动的方式有所差异。另外不同的计算架构设计、不同规模的计算矩阵也会决定其擅长计算哪种数据类型。比如我们常提到的FP16、INT8、INT4等,计算速度就与乘加计算器架构的设计和矩阵规模直接关联。 如下图所示,同样是FP16精度的计算,A100矩阵规模远小于H100,所以后者的计算速度自然就更快。 此外,AI时代的GPU与NPU等计算单元已经与传统意义上的GPU、NPU有所区隔。比如N卡中的TensorCore,实际上就是专用于AI计算的矩阵单元。而某些NPU计算单元除了包含专用于AI计算的矩阵阵列之外,还会融合向量、标量计算单元甚至CPU核心,从而可以更好地满足AI计算时不同的算子需求。 本文属于原创文章,如若转载,请注明来源:为什么NPU比GPU更适合AI加速计算https://nb.zol.com.cn/976/9769370.html 纠错与问题建议标签:笔记本电脑 https://nb.zol.com.cn/976/9769370.html nb.zol.com.cn true 中关村在线 https://nb.zol.com.cn/976/9769370.html report 4454 今天咱们聊聊NPU。大家对于CPU、GPU这些常见计算单元已经比较了解,但是对于NPU却可能并不清楚它的工作原理和具体作用。NPU即Neural Network […]