墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
384平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
OpenGL（Open Graphics Library）是一个用于渲染2D和3D图形的跨平台图形库。它提供了一系列函数和工具，帮助开发者创建高性能的图形应用程序。本文将介绍如何使用OpenGL绘制基本图形和设置颜色。
在开始之前，我们需要安装OpenGL库和相关的开发工具。OpenGL有多个版本，本文将使用OpenGL的核心版本（Core Profile）。确保你的系统已经安装了支持OpenGL的显卡驱动程序，并且已经设置好了开发环境。
首先，我们需要包含OpenGL的头文件和链接OpenGL的库。在C++中，可以使用以下代码实现：
#include <GL/glew.h>
#include <GLFW/glfw3.h>
接下来，我们需要初始化OpenGL和创建一个窗口来显示图形。以下是一个简单的示例：
[OpenGL]利用OpenGL绘制一些简单的图形
在几何学中有点，线，边，图形的概念，这些概念在计算机中也存在，但是可能会有所不同，比如数学中的直线是表示两端无限延伸的一条线，并且在数学中直线是没有宽度的，但是计算机中无法做到无限延伸，可以说计算机中的直线概念更像是数学中的线段概念，两个点的相连。同样点也是一样，数学中的点是表示一个坐标，并没有大小。计算机中无论图形设备多么精密也做不到显示一个无穷小的点，一般不设置点的大小的画，计算机会把点显示为1
OpenGL绘制图形以及绘制动画（一）
刚开始接触OpenGL，有点小激动，终于绘制出一个图形了，哇 通过代码加注释理解程序，简单粗暴。 #include #include #include #include //头文件/表示在gl目录下的.h头文件 //函数用于在窗口中绘制需要的图形 //只是一个场景scene 并不会真正绘制到图形中去。 void RenderScene(void) { //用当前清除颜色缓冲区，
【OpenGL学习一】用OpenGL绘制图形，制作动画
1.OpenGL基本框架 1.1OpenGL简介 OpenGL(Open Graphics Library，开放图形库)，是三维计算机图形和模型库。作为一个性能优越的图形应用程序设计界面（API），它独立于硬件和窗口系统。并在军事、广播电视、CAD/CAM/CAE、娱乐、艺术造型、医疗影像、虚拟世界等领域都有广泛的用途。具有以下功能： 1.模型绘制 2. 模型观察 3.颜色模式的指...
OPENGL 简单图形绘制
直接上代码： #include <stdio.h> #include <GL/glut.h> #include <math.h> void myDisplay() { glClear(GL_COLOR_BUFFER_BIT); glRectf(-0.5f, -0.5f, 0.5f, 0.5f); glFlush(); } // 画圆 const int...
计算机图形学作业（一）：利用OpenGL绘制三角形，并利用ImGUI增加颜色编辑窗口
计算机图形学作业（一）：利用OpenGL绘制三角形，并利用ImGUI增加颜色编辑窗口前言绘制三角形颜色编辑窗口ImGUI的配置修改imgui_impl_opengl3.h文件 前言 OpenGL一般被认为是一个API(Application Programming Interface, 应用程序编程接口)，包含了一系列可以操作图形、图像的函数。由于OpenGL是一个图形API，并不是一个独立的平台...
C++ OpenGL 图形颜色源码示例
以上就是一个简单的使用 C++ 和 OpenGL 绘制图形并添加颜色的示例代码。你可以根据需要修改顶点坐标和颜色值来绘制不同的图形和颜色。这里设置了三个顶点，分别是 (-0.5, -0.5)，(0.5, -0.5)，(0.0, 0.5)。初始化 GLUT 库，并设置显示模式为单缓冲和 RGB 颜色模式。创建一个窗口，并设置窗口标题为 “OpenGL Color Example”。函数将当前绘制的颜色设置为红色。，在该函数中进行实际的绘制操作。进入主循环，开始处理事件，包括绘制图形。开始绘制一个三角形。
[Python图像处理] 二十七.OpenGL入门及绘制基本图形（一）
八年前，我正是通过学习OpenGL和C++，通过做“采蘑菇的小矮人”游戏，慢慢走上并爱上了编程。回过头来，我希望通过Python和OpenGL分享一些有趣的知识，提升您的编程兴趣，还原当时的一些记忆。前面一篇文章详细讲解了图像分类原理，并介绍基于KNN、朴素贝叶斯算法的图像分类案例。这篇文章是介绍Python和OpenGL的入门知识，包括安装、语法、基本图形绘制等。基础性文章，希望对你有所帮助。
C++ OpenGL GLUT颜色选择菜单实现
本文还有配套的精品资源，点击获取 简介：OpenGL是一个用于创建2D和3D图形的图形库，而GLUT库则是一个辅助库，提供了一系列函数帮助开发快速搭建图形用户界面，包括菜单功能。本项目展示了如何利用GLUT在C++和OpenGL环境下实现一个图形颜色选择功能，通过菜单项选择改变图形颜色，并涉及到了颜色的处理，包括RGB值的设置和颜色的混合算法。项目中实现了创建窗口、添加菜单...
C语言实现OpenGL基本图形绘制源码详解
图形学是计算机科学的一个分支，它涉及到创建、处理和展示图形图像。在计算机图形学领域，OpenGL（Open Graphics Library）作为一个跨语言、跨平台的应用程序编程接口（API），被广泛用于实现2D和3D矢量图形。OpenGL提供了一系列的函数，这些函数能够创建复杂的三维场景，对图形进行变换，实现光照和材质效果，以及纹理映射等高级图形技术。由于其在图形学中的重要地位，熟练掌握OpenGL已成为许多图形设计和游戏开发专业人士的必备技能。
手把手教你用STM32H743+FreeRTOS+LWIP搭建物联网网关（附完整工程）
本文详细介绍了如何使用STM32H743微控制器结合FreeRTOS实时操作系统和LWIP协议栈构建高性能物联网网关。内容涵盖硬件配置、FreeRTOS任务设计、LWIP协议栈优化及物联网协议集成，提供完整工程示例，助力开发者快速实现稳定可靠的网络通信枢纽。
MTK 人工智能生态系统 ＜一＞ 简介
Neuropilot
嵌入式学习之QT学习---14 QT跨平台运行之把QT程序交叉编译到ARM开发板
想要把qt工程放到开发板上运行，就需要用到交叉编译。由于qt是跨平台的，所以只需要换个编译器编译一下就可以。 以“定时器”的例子为例，在移植之前还需要进行一个准备工作，在windows下运行的时候，电脑屏幕很大，但是运行的窗口只有一点点大，开发板也有外接屏幕，如何让运行窗口自动适配开发板的外接屏幕呢？令其占满屏幕显示，而不是一小块。 第一步：需要设置一下，先给ui布局，如果不布局，控件就不会随着屏幕的大小的变化而变化。 第二步：利用代码来获取屏幕的大小，给widget.cpp文件下添加如下代码 #inclu
STM32F407-OV7670(无FIFO)-ONENET-实现摄像头画面上传到onenet（EDP协议）
EDP协议 EDP协议文档说明：https://leoeinstein.lanzous.com/ifX1Ckfkaaf 服务器登录 登录流程： （1）客户端发送连接请求（CONN_REQ） （2）服务器验证请求的合法性 （3）服务器发送一个回执（CONN_RESP）给客户端 其中请求包含三部分：消息头、选项和消息体。 1、消息头 包括消息的类型和剩余消息长度。 2、选项 包括协议名称、协议版本、连接标志、保持连接时间。 3、消息体 可能包含设备ID、用户ID（可选）、鉴权信息（看采取什么方式登录）。 设备
K230开发板实战：5步搞定YOLOv8模型部署（附常见报错解决方案）
本文提供了一份详细的K230开发板部署YOLOv8模型的实战教程。内容涵盖从环境准备、模型转换到代码编写的完整流程，并重点解析了使用AICube工具链时常见的“生成部署文件异常”等报错解决方案，旨在帮助开发者高效完成嵌入式AI模型部署。
bugku渗透测试4-writeup
三、对这个主机进行全端口的扫描，发现存在22000 ssh端口，那么可以联想到时redis写入公钥来连接主机。又来了一个新的靶场，这个靶场打下来我觉得关键就是信息收集，走了很多的弯路。八、最后一个flag是要去看cms的数据库里面，这个数据库是sqlite。把这个数据库下载下来，登录密码是加密的，就直接用token。一、入口的漏洞是在登录的时候去抓包,修改action的值。六、没想到这个第一台机器的密码，在第二台里面。七、扫描第一台主机、使用之前的密码连接成功。获取最后一台主机的root密码。
33、Windows Server 2016 系统管理与安全防护指南
本文详细介绍了Windows Server 2016系统中的三大核心管理与安全功能：WSUS补丁管理、Windows Defender反恶意软件配置以及Windows Server Backup数据备份与恢复。涵盖WSUS初始同步、组策略配置客户端、混合环境更新评估流程；Windows Defender的图形化与PowerShell管理方式，以及通过组策略集中管控；Windows Server Backup的安装、单次与计划备份设置、增量备份机制和文件恢复操作。内容适用于企业IT管理员进行系统维护与安全防护
汽车UDS诊断之诊断会话控制服务（0x10）深度剖析
DiagnosticSessionControl就是诊断会话控制。 请求消息定义 A_Data类型 参数名称 Cvt 字节值 助记符 #1 诊断会话控制请求SID M 0x10 DSC #2 子功能=[诊断会话类型] M 0x00-0xFF LEV_DS_ ...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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');```[](https://bitdeli.com/free "Bitdeli Badge")
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
2万+
扫一扫
