window7的最佳优化方案？

Posted 2023-05-04

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了window7的最佳优化方案？相关的知识，希望对你有一定的参考价值。

我家是window7 系统想让其运行的更快开机更快网速更快反应随度更快请高手指点

首先装好WIN7后激活安装驱动在线更新补丁全部完成后按步优化. 1 关闭无用功能(一定先关这个再去优化服务不然有可能会进入WIN7时报错)
控制面板-程序-打开或关闭WINDOWS功能我的优化如下图下面简单说明一下

.NET 功能是系统默认的我没有去动他
媒体功能如果你不用DVD MARKER 和电视节目的那个可以关掉但是 MEDIA PLAYER不要关
关闭MEDIA PLAYER会使你网页上利用MEDIA在线播放类媒体的失效…
至于XPS 这个看你个人选择这个是微软新出的用于抗衡PDF的文件格式,如果你确定不需要这个就关掉如果不确定就暂留吧.
其他的不用多说了照图做没什么问题 .2.关闭无用服务(借了张图说明一下)名称默认值安全值优化值ActiveX Installer (AxInstSV)手动手动关闭Adaptive Brightness手动手动关闭ApplicATIon Experience手动 (启动) 手动手动Application Host Helper Service未安装 (自动, 启动)未安装未安装Application Identity手动手动手动Application Information手动 (启动)手动手动Application Layer Gateway Service手动手动关闭Application ManaGEMent手动手动手动ASP.NET State Service未安装(手动)未安装未安装Background intelligent Transfer Service手动 (启动) 手动手动Base Filtering Engine自动 (启动)自动自动BitLocker Drive Encryption Service手动手动关闭Block Level Backup Engine Service手动手动手动Bluetooth Support Service手动手动关闭BranchCache手动关闭关闭Certificate Propagation手动关闭关闭Client for NFS未安装 (自动, 启动)未安装未安装CNG Key Isolation手动 (启动) 手动手动COM+ Event System自动 (启动)自动自动COM+ System Application手动 (启动)手动手动Computer Browser(如果你不用局域网就禁用掉)手动 (启动)手动手动Credential Manager手动手动关闭Cryptographic Services自动 (启动)自动自动DCOM Server Process Launcher自动 (启动)自动自动Desktop Window Manager Session Manager自动 (启动)自动自动DHCP Client自动 (启动)自动自动Diagnostic Policy Service自动 (启动)自动关闭Diagnostic Service Host手动 (启动)手动关闭Diagnostic System Host手动 (启动)手动关闭Disk Defragmenter手动手动手动Distributed Link Tracking Client自动 (启动)关闭关闭Distributed Transaction Coordinator手动 (启动)手动手动DNS Client自动 (启动)自动自动Encrypting File System (EFS)手动手动关闭Extensible Authentication Protocol手动手动手动Fax手动手动关闭Function Discovery ProvIDER Host手动 (启动)手动关闭Function Discovery Resource Publication自动 (启动)自动关闭Group Policy Client自动 (启动)自动自动Health Key and Certificate ManaGement手动手动关闭HomeGroup Listener手动 (启动)手动关闭HomeGroup Provider手动 (启动)手动关闭Human Interface Device Access手动手动关闭IIS Admin Service未安装 (自动)未安装未安装IKE and AuthIP IPsec Keying Modules手动手动手动Indexing Service未安装 (自动, 启动)未安装未安装Interactive Services Detection手动手动关闭Internet ConNECtion Sharing (ICS)关闭关闭关闭IP Helper(这个IPV6和IPV4转换用,现在IPV6已经开始使用了我个人设置为手动)自动 (启动)关闭关闭IPsec Policy Agent手动手动手动KtmRm for Distributed Transaction Coordinator手动手动手动Link-Layer Topology Discovery Mapper手动手动关闭LPD Service未安装 (自动, 启动)未安装未安装Media Center Extender Service关闭关闭关闭Message Queuing未安装 (自动, 启动)未安装未安装Message Queuing Triggers未安装 (自动, 启动)未安装未安装Microsoft .NET Framework NGEN v2.0.50727手动手动手动Microsoft FTP Service未安装 (自动, 启动)未安装未安装Microsoft iSCSI Initiator Service手动关闭关闭Microsoft Software Shadow Copy Provider手动手动手动Multimedia Class Scheduler自动 (启动)自动自动Net.Msmq Listener Adapter未安装 (自动, 启动)未安装未安装Net.Pipe Listener Adapter未安装 (自动, 启动)未安装未安装Net.Tcp Listener Adapter未安装 (自动, 启动)未安装未安装Net.Tcp Port Sharing Service关闭关闭关闭Netlogon手动关闭关闭Network Access Protection Agent手动关闭关闭Network Connections手动 (启动)手动手动Network List Service手动 (启动)手动手动Network Location Awareness自动 (启动)自动自动Network Store Interface Service自动 (启动)自动自动Offline Files自动 (启动)关闭关闭Parental Controls手动关闭关闭Peer Name Resolution Protocol手动 (启动)手动关闭Peer Networking Grouping手动 (启动)手动关闭Peer Networking Identity Manager手动 (启动)手动关闭Performance Logs & Alerts手动手动手动Plug and Play自动 (启动)自动自动PnP-X IP Bus ENUmerator手动手动关闭PNRP Machine Name Publication Service手动手动关闭Portable Device Enumerator Service手动 (启动)手动关闭Power自动 (启动)自动自动Print Spooler(如果你要用打印机就不要关闭)自动 (启动)自动关闭Problem Reports and Solutions Control Panel Support手动手动关闭Program Compatibility AsSIStant Service手动手动关闭Protected Storage手动手动手动Quality Windows Audio Video Experience手动手动手动Remote Access Auto Connection Manager手动手动手动Remote Access Connection Manager手动手动手动Remote Desktop Configuration手动手动关闭Remote Desktop Services手动手动关闭Remote Desktop Services UserMode Port Redirector手动手动关闭Remote Procedure Call (RPC)自动 (启动)自动自动Remote Procedure Call (RPC) Locator手动手动手动Remote Registry手动关闭关闭RIP Listener未安装 (自动, 启动)未安装未安装Routing and Remote Access关闭关闭关闭RPC Endpoint Mapper自动 (启动)自动自动SeaPort未安装 (自动, 启动)未安装未安装Secondary Logon手动手动手动Secure Socket Tunneling Protocol Service手动手动手动Security Accounts Manager自动 (启动)自动自动Security Center自动 (延迟启动, 启动)自动 (延迟启动)自动 (延迟启动)Server(如果你不用局域网共享等功能就禁用掉)自动 (启动)自动自动SHELL Hardware Detection自动 (启动)自动自动Simple TCP/IP Services未安装 (自动, 启动)未安装未安装***ART Card手动关闭关闭Smart Card Removal Policy手动关闭关闭SNMP Service未安装 (自动, 启动)未安装未安装SNMP Trap手动关闭关闭Software Protection自动 (延迟启动, 启动)自动 (延迟启动)自动 (延迟启动)SPP Notification Service手动 (启动)手动手动SSDP Discovery手动 (启动)手动手动Superfetch自动 (启动)自动自动System Event Notification Service自动 (启动)自动自动Tablet PC Input Service手动手动关闭Task Scheduler自动 (启动)自动自动TCP/IP NetBios Helper自动 (启动)自动自动Telephony手动手动手动Telnet未安装 (关闭)未安装未安装Themes自动 (启动)自动自动Thread Ordering Server手动手动手动TPM Base Services手动手动手动UPnP Device Host手动 (启动)手动手动User Profile Service自动 (启动)自动自动Virtual Disk手动手动手动Volume Shadow Copy手动 (启动)手动手动Web Management Service未安装 (手动)未安装未安装WebClient手动手动关闭Windows Audio自动 (启动)自动自动Windows Audio Endpoint Builder自动 (启动)自动自动Windows Backup手动手动手动Windows Biometric Service手动手动关闭Windows CardSpace手动手动关闭Windows Color System手动手动关闭Windows Connect Now – Config Registrar手动手动关闭Windows Defender(如果你有第三方的防护措施就关掉)
自动 (延迟启动, 启动)自动 (延迟启动)自动 (延迟启动)Windows Driver Foundation – User-mode Driver Framework手动手动手动Windows Error Reporting Service手动手动关闭Windows Event Collector手动手动手动Windows Event Log自动 (启动)自动自动Windows Firewall (如果你有第三方的防护措施就关掉)自动 (启动)自动自动Windows Font Cache Service手动手动手动Windows IMAGe Acquisition (WIA)手动手动手动Windows Installer手动手动手动Windows Live Family Safety未安装 (手动)未安装未安装Windows Management Instrumentation自动 (启动)自动自动Windows Media Center Receiver Service 手动手动关闭Windows Media Center Scheduler Service手动手动关闭Windows Media Player Network Sharing Service自动 (延迟启动, 启动)关闭关闭Windows Modules Installer手动手动手动Windows Presentation Foundation Font Cache 3.0.0.0手动手动手动Windows Process Activation Service未安装 (手动, 启动)未安装未安装Windows Remote Management (WS-Management)手动手动关闭Windows Search自动 (延迟启动, 启动)关闭关闭Windows Time手动手动手动Windows Update自动 (延迟启动, 启动)自动 (延迟启动)自动 (延迟启动)WinHTTP Web Proxy Auto-Discovery Service手动 (启动)手动关闭Wired AutoConfig手动手动手动WLAN AutoConfig(如果你不用无线网就关掉)手动手动手动WMI Performance Adapter手动手动手动Workstation(如果你不用局域网就禁用掉)自动 (启动)自动自动World Wide Web Publishing Service未安装 (自动, 启动)未安装未安装)WWAN AutoConfig手动手动手动3关闭无用计划任务
控制面板-系统和安全-计划任务
把Defender 里的计划任务禁用掉(windows里的计划任务我搞不明白就没去动他了)4.关闭系统还原点功能关闭自动更新功能关闭防火墙功能关闭远程功能(这些都是简单基本的就不多解释了应该都会)5.移动个人文件夹
WIN7个人文档收藏夹等都在C盘不方便移动到D盘里以后做系统也方便了
win7资料转移器.rar
下载这个小软件就可以轻松移动了包括桌面都可以移动到D盘方便方便…..6.关闭IE8 源
IE8选项-内容-源和网页快讯打开-里面的勾全去掉,世界安静了7.关闭涉及隐私内容的记录
在超级任务栏的程序你鼠标右键点上去会有你打开文件的记录或者看过的 ***记录
还有在我的电脑里搜索记录也会被保存下来隐私方面不太好,关闭这个记录功能运行输入gpedit.msc”，然后单击“确定”按钮。打开“本地组策略编辑器”窗口后，依次展开“用户配置→管理模板→开始菜单和任务栏”，在后面出现的“设置”页面中，双击“不保留最近打开文档的历史”，在弹出选项列表后，选择“已启用”(默认为未配置)，最后单击“确定”按钮即可运行”框中输入“gpedit.msc”，打开“本地组策略编辑器”窗口，依次打开“用户配置→管理模板 →Windows组件→Windows资源管理器”，在右侧窗格中找到“在Windows资源管理器搜索框中关闭最近搜索条目的显示”项目，双击打开属性窗口，在这里选择“已启用”，确认之后即可生效，以后就再也不会自动保存搜索记录了。8.关闭休眠功能
以管理员身份运行CMD”，再在打开命令提示符窗口中，输入运行命令　powercfg -h off
空间节省了N多 9.资源管理器
超级任务栏点击那个文件夹的图标默认是会打开库的~很多人不习惯 ,简单修改一下让他打开我的电脑是不是会方便很多呢
右键点那个文件夹图标弹出的菜单再右键点击WINDOWS资源管理器 -属性-把目标修改为　
%SystemRoot%\explorer.exe /e, ::20D04FE0-3AEA-1069-A2D8-08002B30309D 确定就可以了10.如果你是多核CPU,那么在运行里输入MSCONFIG 选引导选项卡 -高级选项-处理器数里选择你对应的CPU核心数量11.转移WIN7 页面文件到其他盘符,不要放到C盘对GHOST备份不利,, 参考技术A

win7优化系统方法大全：

1、快捷键 win键+R可直接调出来运行窗口，msconfig 命令确定。下图：

2、看到界面后，转到启动栏，把不需要开启启动的选项去掉勾选，确定即可。

3、我的电脑（计算机）——右键——管理——服务，进入右边界面，下图：

4、找到允许远程用户修改本机的注册表，这个如果不是经常被远程控制的，肯定要禁用掉，在上面右键选择属性，启动类型选禁用，如果已经启动了，先点击下面的停止，停止完后再禁用。下图：

工程之道，解读业界最佳的深度学习推理性能优化方案

本文转载自旷视研究院

MegEngine「训练推理一体化」的独特范式，通过静态图优化保证模型精度与训练时一致，无缝导入推理侧，再借助工业验证的高效卷积优化技术，打造深度学习推理侧极致加速方案，实现当前业界最快运行速度。

本文从推理侧的数据排布（Inference Layout）讲起，接着介绍MegEngine的Im2col+MatMul、Winograd、Fast-Run工程优化实践。经典的轻量卷积神经网络实验表明，经过MegEngine加速，ResNet18和ResNet50最高加速比可达2x以上，ShuffleNet V2和MobileNet V2执行效率也得到显著提升，实现了业界当前最佳推理性能。

深度学习是一个端到端的自动化系统，在数据驱动之下，算法历经训练测试、工程部署、推理实现三个环节。深度学习技术能否最终落地为产品，细粒度满足不同场景需求，深度学习框架的推理性能优化是一个关键变量。

针对不同硬件设备对性能的苛刻要求，业界一般做法是开发一套推理专用框架，不足是造成了训练与推理的分裂。 MegEngine （中文名：天元）「训练推理一体化」的独特范式，可以实现训练与推理的精确等价性，避免转换可能带来的精度损失。

MegEngine的推理性能优化有两个阶段

1）工程部署时的静态图优化，保证模型精度和训练时一致

2）推理实现时的卷积优化，保证模型运算的最快速度。两者最终的优化目标是实现模型推理又「好」又「快」。

深度学习中，卷积种类众多，计算也最为耗时，成为首要优化对象，而推理侧卷积优化更是重中之重。如何让深度学习模型鲁棒运行和推理，即在不同硬件平台（比如CPU）上，针对目标架构（比如X86/ARM）做计算优化，实现最快运行速度，是一个长久存在的挑战。

MegEngine秉持极致的「工程之道」，针对CPU推理的卷积优化，做了细致而系统的工程创新，不断逼近加速极限。本文是MegEngine卷积优化技术的「综述篇」，基于已有工作，做了多项技术的工程优化，包括 Inference Layout、Im2col+MatMul、Winograd、Fast-Run 。后续会有相关技术的详解篇。

1

Inference Layout

推理侧卷积计算优化方面，首先面临的问题是feature map的数据排布（Tensor Layout），选择合适的数据排布不仅会使卷积优化事半功倍，还可作为其他优化方法的基础，比如 Im2col、Winograd、Fast-Run 。

目前，深度学习框架中常见的数据排布格式有3种：

NHWC：[Batch, Height, Width, Channels]
NCHW：[Batch, Channels, Height, Width]
NCHWX：[Batch, Channels/X, Height, Width, X=4/8]

数据的排布对卷积计算有着整体性的直接影响。NHWC和NCHW的空间复杂度相同，区别在于访存行为，NCHWX介于两者之间，但是有其他优点。

NCHWX

NCHWX在NCHW的基础上转换而来，其原理可参考下图。

MegEngine选择NCHWX作为CPU推理实现的数据排布（Inference Layout），有如下3个原因：

适配SIMD指令，比如Arm Neon上，用4个浮点数填满一条SIMD向量，减少边界判断的次数；
对Cache更友好，比如计算卷积时读取feature map，实现多个通道连续访问；
易于进行padding，减少边界分支判断，代码逻辑简单。

2

Im2col+MatMul

Im2col+MatMul 是一种针对深度神经网络卷积计算的高效实践方法。Im2col(Image to Column)把输入feature map按照卷积核的形式一一展开并拼接成列，接着通过高性能MatMul（Matrix Multiplication） Kernel进行矩阵乘，得到输出feature map，具体原理可参考论文[1]，它的本质是把卷积运算转换成矩阵运算。

Im2col+MatMul在做算法创新的同时，也产生了一些新问题：

Im2col转换之后，所得数据数倍/数十倍于输入feature map；
Im2col转换之后，数据内存占用超过L2 Cache，对Cache不友好；
Im2col转换之后，MatMul要再操作一次数据PACK。

针对这些问题，MegEngine结合自身工业实践，做了两方面的工程优化：

1）进行Im2col+MatMul分块操作，减少访存缺失；

2）融合Im2col+MatMul的PACK操作，减少数据访存。

分块操作

Im2col+MatMul优化卷积计算时，比如输出feature map的数据格式为 [n, oc, oh, ow]，卷积核的大小为fh*fw，那么Im2col转换之后的数据格式为 [n, fh*fw*ic, oh*ow]。MegEngine的分块操作在oh*ow维度上，分块大小通过公式工程之道，解读业界最佳的深度学习推理性能优化方案

计算，确保Im2col之后的数据完全保存于L2 Cache。

分块之后，不仅可以减少内存占用，还将提升数据访存效率，其原理图如下所示，把Im2col转换数据在其oh*ow维度上切块，接着，每个分块和weight进行矩阵乘，获取输出oh*ow维度上的一个分块：

为验证分块操作的有效性，MegEngine开展了相关对比实验，在进行单层卷积计算时，给出了采用MegEngine Im2col分块操作前后的内存/性能数据的对比，其中内存占用节省了数十倍，计算性能也显著提升：

融合PACK

Im2col+MatMul的PACK融合操作将会减少数据访存。具体而言，Im2col转换之后的数据，在MatMul计算时需要一次数据PACK[3]，实际上这对Im2col数据做了两次读写，造成了不必要的访存，因此，MegEngine通过Im2col+MatMul的PACK融合，减少了一次内存读写。

下面是Im2col+MatMul的PACK融合优化前后，卷积计算的性能测试对比，个别Case最大提升可达 18% ：

Winograd

在深度神经网络中，卷积计算占据了绝大部分的时/空复杂度，Im2col+MatMul可以提高访存友好性，但无益于时间复杂度的减少，因此卷积计算优化实践中诞生了Winograd算法，具体数学原理可参见论文[2]。

Winograd算法主要应用于卷积核为3x3，步幅为1的2D卷积神经网络，其参数表示为F(mxm, rxr)，其中mxm是运算之后输出块的大小，rxr是卷积核的大小，以F(2x2, 3x3)和F(6x6, 3x3)使用最多，前者加速比可达2.25x，后者加速比则高达5.06x [2]。

Winograd算法的本质是以加法换乘法，其计算优化的一般流程如上图所示(注：出自[3])，可分为3步：

把输入的feature map和weight进行矩阵转换；
把转换后feature map和weight做批量矩阵乘；
把矩阵乘的结果进行输出转换，得到最终结果。

同时，其优化运算过程也存在3点不足：

输入转换要计算整个feature map，数据读写对Cache不友好；
feature map转换之后，矩阵乘时需要再PACK，数据访存增加；
输出转换读取批量矩阵乘之后结果时，两次连续读写间隔较大，对Cache不友好。

工程

针对上述问题，MegEngine结合自身多年深度学习实践，对Winograd算法的整个计算流程做了工程优化，主要有：

输入转换时，分块feature map的全部tiles，随后只计算一个分块的数据；
调整分块大小适配CPU L1 Cache，使得矩阵乘不需要PACK；
结合NCHWX数据排布，通过SIMD指令优化输入/输出转换。

由此，MegEngine对整个输入feature map进行分块，每次Winograd完整流程只计算一个分块的nr个tiles，该分块大小的计算公式为：工程之道，解读业界最佳的深度学习推理性能优化方案

，即保证每个批量矩阵的输入数据（除了转换之后的weight数据）保存于L1 Cache，则矩阵乘时不PACK也不会出现访存缺失。

根据上述公式和L1 Cache大小，可计算出nr_tiles大小；但是，每个卷积的ic不同，最优分块也不同，MegEngine将通过下文介绍的Fast-Run机制做局部搜索，发现最优的分块大小。

实验

在不同的输入尺寸和算法参数F=(6x6,3x3)的情况下，原始Winograd和MegEngine优化后的Winograd之间做了加速对比实验，证明后者性能提升效果显著，具体结果如下：

Fast-Run

卷积计算有多种优化实现，侧重点也各有不同，比如Im2col可以平衡内存占用和运行速度，Direct 直接进行卷积计算优化，Winograd则是优化计算复杂度。每种优化实现都在特定的输入参数下有一定的优势，并随着推理平台的不同而发生变化，因此不够灵活，无法选择最优实现。上述实现的启发式偏好如下所示：

为使每个部署模型在运行推理时，最佳地实现每个卷积，MegEngine从自身工业实践获得启发，通过Fast-Run机制进行局部搜索，以改进传统的启发式方法，不遗余力地完善深度学习产品性能。

具体而言，首先，在目标设备上使用目标模型参数搜索所有已实现的算子；接着，记录并保存同时适配目标设备和目标模型的最优算子；最后，在推理时使用最优算子进行计算。

Fast-Run机制有着较强的自适应性，弥补了启发式机制的一些的缺陷，从根本上确保了目标模型的算子最为适配目标设备，从而发挥出最佳性能。

工程

Fast-Run机制的本质是寻找最优算子，其工程实现分为选择和执行两个阶段：

选择阶段，测速模型每个算子，选出最优实现，保存算子名称和最优实现的映射表；
执行阶段，根据映射表直接调用相应实现完成计算。

实验

经典卷积网络上的实验测试证明了Fast-Run机制的自适应优势，优化效果明显，其模型执行效率优于先验选择下的执行效率，具体结果如下所示：

结论

深度学习算法在数据的加持之下，迭变权重，更新参数，积累知识，以深度学习产品的方式与这个世界交互。「好而快」是衡量这种交互的不二圭臬。这里，「好」或者精度，对应于静态图优化，「快」或者速度，对应于卷积计算优化，「好而快」是精度和速度的权衡，对应于深度学习框架。

MegEngine「训练推理一体化」有着独特优势，相较推理专用框架，更利于在「好」的基础上做到「快」。通过上文，MegEngine在一系列经典的轻量级卷积网络上，做了集成式卷积优化实验，ResNet18和ResNet50最高加速比可达2x以上，ShuffleNet V2和MobileNet V2执行效率获得大幅提升，实现了当前业界最佳的推理性能。

这些技术将在今年6月底发布的MegEngine Beta版本中有所体现，敬请期待。下一步，MegEngine将尝试全局混合Layout和混合精度优化，探索更低精度的量化(4bit/1bit)，以及采用多级分块适配CPU多级Cache大小，最大化访存友好性，不断逼近推理侧的加速极限。

参考文献

[1] Kumar Chellapilla, Sidd Puri, Patrice Simard. High Performance Convolutional Neural Networks for Document Processing. Tenth International Workshop on Frontiers in Handwriting Recognition, Université de Rennes 1, Oct 2006, La Baule (France).

[2] Ningning Ma, Xiangyu Zhang, Hai-Tao Zheng, Jian Sun. ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design. The European Conference on Computer Vision (ECCV), 2018, pp. 116-131.

[3] Lavin, A. and Gray, S. Fast algorithms for convolutional neural networks. In CVPR, 2016.

[4] Feng Shi,Haochen Li,Yuhe Gao,Benjamin Kuschner,Song-Chun Zhu. Sparse Winograd Convolutional neural networks on small-scale systolic arrays. FPGA, Volume abs/1810.01973, 2019, Pages 118.

END