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
1w累计阅读
1w+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 ES 共享上下文时，可以共享哪些资源？
共享上下文实现多线程渲染
EGL 概念回顾
EGL 是 OpenGL ES 和本地窗口系统（Native Window System）之间的通信接口，它的主要作用：
与设备的原生窗口系统通信；
查询绘图表面的可用类型和配置；
创建绘图表面；
在OpenGL ES 和其他图形渲染API之间同步渲染；
管理纹理贴图等渲染资源。
OpenGL ES 的平台无关性正是借助 EGL 实现的，EGL 屏蔽了不同平台的差异（Apple 提供了自己的 EGL API 的 iOS 实现，自称 EAGL）。
本地窗口相关的 API 提供了访问本地窗口系统的接口，而 EGL 可以创建渲染表面 EGLSurface ，同时提供了图形渲染上下文 EG
第十四章《OpenGL 与多线程渲染》
每帧渲染命令写入指令队列（DrawCall、状态切换、资源绑定等），不支持像 Vulkan 那样的 Command Buffer。加载完数据后再主线程中上传到 GPU（纹理、VBO）这样可以解耦 CPU 数据拷贝与 GPU 上传。OpenGL 的状态和资源绑定在上下文上，主线程消费这些指令并提交至 OpenGL。适用于场景分块、实例化绘制等高并发场景。每个线程最多绑定一个 GL 上下文。一个 OpenGL 上下文。，但有些坑要绕、规则要懂。OpenGL 的设计偏向。OpenGL 本质上是。
5、OpenGL上下文管理：EGL环境初始化、OpenGL上下文创建、共享上下文策略
EGL的错误处理一定要做全。很多开发者只检查返回值，不调用eglGetError。结果就是——程序崩了，你连原因都找不到。我自己的项目里，每个EGL调用后面都会跟一个错误检查宏，省心很多。
Android Camera系列（八）：MediaCodec视频编码下-OpenGL ES离屏渲染
MediaCodec硬编码总算是讲完了，我们用了3个章节由浅入深的介绍了Android下是如何硬编码的，对YUV数据进行编码，也能使用OpenGL ES渲染到Surface上进行编码。但这仅仅只是一个开始，还有更多的内容需要深入学习、探讨。
Vulkan与OpenGL对比——Vulkan的全新渲染架构
OpenGL是KhronosGroup组织发布的跨平台图像渲染引擎。在这里科普一下Khronos组织，由Intel、Nvidia等公司共同创立，致力于创建开放标准的应用程序API。大名鼎鼎的OpenGL、OpenGLES、WebGL、Vulkan都是来自Khronos。而vulkan称为“下一版本的OpenGL”，旨在提供更低的CPU开销和更多GPU控制。AndroidAPI24以后支持vulkan，iOS在WWDC2014也推出Metal图像渲染。本文主要探讨Vulkan的全新渲染架构。...
EGL 与 OpenGL-ES 协同工作原理解析：从 Surface 创建到帧缓冲交换
本文深入解析了EGL与OpenGL-ES的协同工作原理，从Surface创建到帧缓冲交换的完整流程。EGL作为平台原生窗口系统与OpenGL-ES图形API之间的桥梁，负责管理绘图表面、渲染上下文及帧缓冲配置，是实现高性能、可移植图形应用的关键。文章通过核心对象模型、初始化流程及实战代码，帮助开发者构建稳定的图形渲染基础。
Android-音视频学习系列-(六)掌握视频基础知识并使用-OpenGL-ES-2-0-渲染-YUV-数据
(Open Graphics Lib) 定义了一个跨编程语言、跨平台编程的专业图形程序接口。可用于二维或三维图像的处理与渲染，它是一个功能强大、调用方便的底层图形库。对于嵌入式的设备，其提供了(OpenGL for Embedded System) 版本，该版本是针对手机、Pad 等嵌入式设备而设计的，是 OpenGL 的一个子集。到目前为止，OpenGL ES 已经经历过很多版本的迭代与更新，到目前为止运用最广泛的还是2.0 版本。
从零开始的跨平台渲染引擎（一）——OpenGL基础环境搭建
前文主要分析了渲染引擎的整体架构。本文的主要内容是对OpenGL基础环境的搭建，主要涉及架构图中的Container、Graphic Wrapper和Platform层。
Qt中QOpenGLWidget实现3D渲染的完整指南
OpenGL作为跨平台的图形渲染API，在3D图形开发中占据核心地位。其工作原理是通过图形管线将顶点数据转换为屏幕像素，支持着色器编程实现复杂视觉效果。Qt框架通过QOpenGLWidget组件无缝集成了OpenGL能力，解决了原生OpenGL窗口与GUI系统的兼容问题。这种集成方案特别适合需要嵌入3D视图的应用程序开发，如CAD软件、数据可视化工具和游戏编辑器。QOpenGLWidget采用FBO离屏渲染技术确保性能，同时提供清晰的OpenGL上下文管理接口。开发者可以基于initializeGL、pai
OpenGL Context 全方位解析：原理、多线程与工程实践
图形渲染程序的底层往往依赖一套庞大的状态机，GPU 的绘制行为由当前绑定的渲染环境决定。在 OpenGL 中，这套环境被封装为上下文（Context），它保存视口、混合、深度测试等状态以及纹理、缓冲、着色器等资源的归属。理解上下文与线程的绑定关系，是规避多线程渲染崩溃和资源冲突的关键。借助共享上下文与同步原语，开发者可以在不同线程间安全传递纹理数据；而在 Qt 与 WebEngine 等框架中，正确管理上下文的创建时机又直接决定初始化是否成功。从 EGL 到 ANGLE，从桌面端到嵌入式，上下文机制始终是图
OpenGL上下文共享示例
在上面的代码中，我们首先初始化GLFW库，并创建了两个窗口，分别命名为"Window 1"和"Window 2"。在第一个窗口中进行OpenGL渲染后，我们将第二个窗口的上下文设置为当前上下文，并再次初始化GLEW。在OpenGL编程中，上下文共享是一种重要的技术，它允许多个OpenGL上下文在同一应用程序中共享资源和状态。在多线程环境中，我们可以将一个上下文创建在一个线程中，然后在另一个线程中使用该上下文进行渲染。需要注意的是，在使用共享上下文时，我们需要确保在特定的上下文中进行渲染和资源创建操作。
OpenGL上下文共享样例-实现跨多个窗口的图形共享
上面的代码中，我们通过glfwCreateWindow()函数创建了一个新窗口，并将上下文共享给了参数shareContext所指向的窗口，然后利用glfwMakeContextCurrent()函数设置当前上下文为当前窗口。下面是一个使用OpenGL上下文共享技术，实现跨多个窗口的图形共享的样例程序，使用C++编写，并调用了GLFW和GLEW库。上面的代码中，我们在两个窗口中分别绘制了一个相同的三角形，如果图形共享成功，则两个窗口中的三角形应该是相同的。至此，我们成功地实现了跨多个窗口的图形共享。
在Android上实现OpenGL上下文间的资源共享
在某些情况下，我们可能需要在不同的OpenGL上下文之间共享资源，例如纹理、缓冲区对象等。通过创建共享上下文，并在其他上下文中使用共享的资源，我们可以实现跨不同上下文的资源共享。然后，我们可以在新的上下文中对纹理对象进行操作，如绑定纹理、设置纹理参数等。需要注意的是，在使用共享资源时，必须确保所有涉及共享资源的上下文都处于活动状态，并正确管理资源的生命周期和同步访问。现在，我们可以在新的上下文中使用共享的资源了。在创建新的上下文时，将共享上下文作为第三个参数传递，并使用相同的配置和版本。
OpenGL ES 面试高频知识点
VBO（Vertex Buffer Object）是指顶点缓冲区对象，VAO（Vertex Array Object）是指顶点数组对象。OpenGL ES 2.0 编程中，用于绘制的顶点数组数据首先保存在 CPU 内存，在调用 glDrawArrays 或者 glDrawElements 等进行绘制时，需要将顶点数组数据从 CPU 内存拷贝到显存。但是很多时候我们没必要每次绘制的时候都去进行内存拷贝，如果可以在显存中缓存这些数据，就可以在很大程度上降低内存拷贝带来的开销。
图解转置卷积原理
声明：本文大部分搬运自【机器学习】详解 转置卷积 (Transpose Convolution) 感谢博主花与人间事同，本人只是在博主原创文章上做补充以及添加一些自己的理解。 1 转置卷积的背景 通常，对图像进行多次卷积运算后，特征图的尺寸会不断缩小。而对于某些特定任务 (如图像分割和图像生成等)，需将图像恢复到原尺寸再操作。这个将图像由小分辨率映射到大分辨率的尺寸恢复操作，称为上采样 (Upsample)，如下图所示： 上采样方法有很多，详见【图像处理】详解 最近邻插值、线性插值、双线性插值、双三次插值
Windows下玩转Spark：零基础本地集群搭建与实战演示
本文详细介绍了在Windows系统下零基础搭建Spark本地集群的完整流程，包括环境准备、集群启动、实战案例演示及性能优化技巧。通过Standalone模式快速部署，结合WordCount等经典案例帮助初学者快速掌握Spark数据处理，特别适合Windows环境下的大数据开发入门学习。
SAP-HR 模块 PPOSE 的详细信息标签页增强
步骤1：T-CODE : SE11 创建一个名为 HRI9106 的结构 命名：HRI + 91 + 两位数字。人事管理 - 组织管理 - 集成新信息类型 - 将信息类型添加为明细范围中的标签页。步骤6：SE51 查看 7000屏幕，修改屏幕属性 让其更美观。步骤3：T-CODE : SM30维护 T777I 表。步骤5：PPCI 新建 7000屏幕用于显示。标签页 IT 开头 + 信息类型 9106。步骤2：T-CODE ： PPCI。步骤4：T-CODE : SPRO。
【数据库】银行/信贷业务测试工作中涉及的数据库表格
银行/信贷业务测试工作中涉及的数据库表格，金融信贷测试人必看！
YOLOv8改进 | 注意力篇 | 一文带你改进GAM、CBAM、CA、ECA等通道注意力机制和多头注意力机制
官方论文地址：官方论文地址点击此处即可跳转官方代码地址：官方代码地址点击此处即可跳转GAM旨在通过设计一种机制，减少信息损失并放大全局维度互动特征，从而解决传统注意力机制在通道和空间两个维度上保留信息不足的问题。GAM采用了顺序的通道-空间注意力机制，并对子模块进行了重新设计。具体来说，通道注意力子模块使用3D排列来跨三个维度保留信息，并通过一个两层的MLP增强跨维度的通道-空间依赖性。
OpenAI Error: 403 Country, region, or territory not supported [Python]
从OpenAI的API服务中获取数据时，由于你所在的国家、地区或领土不被支持，因此请求被拒绝了
【YOLOv11工业级实战】27. TensorRT量化实战：FP16/INT8极致加速！边缘设备YOLOv11推理速度提升4倍，精度损失控制在1.5%内
摘要：本文针对智慧园区200路摄像头实时分析的工业痛点——RTX 3080单卡仅能处理12路视频流（YOLOv11-nano FP32精度45FPS，需≥120FPS且精度损失≤3%），提供TensorRT量化完整解决方案。从原理解析（FP16/INT8精度差异与量化逻辑）到实操落地（ONNX转换、FP16引擎构建、INT8精细校准），全程给出可复用代码。实测显示：FP16量化后速度达128FPS（×2.8），精度损失0.2%。
9篇6章7节：SEER 数据库的2025年数据变量多条件组合选择（2026年版）
软件中的病例筛选功能通过CaseSelection界面实现精准研究队列构建。该界面允许用户通过变量选择（Variable）、运算符定义（Operator）和取值设定（Values）三步操作创建筛选条件，支持种族、分期等关键变量的多条件组合。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
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")
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
1294
扫一扫
