编写3D数学库手记

02.简单3D数学库封装向量类和矩阵类 在上一节的工程中,给定两个点,我们已经做到成功画出一条唯一确定的线段了。但是为了我们以后方便,我们显然需要封装向量类和矩阵类。当然我们可以直接使用Eigen库来完成这个问题,Eigen库非常的好用,但是我更想自己写一个试试。我们要做的其实完全不复杂,仅仅是封装几个类,并且没有什么性能要求,不会涉及到使用一些指令集来进行加速。所有的一切都将只用一些比较简单的c++代码进行实现。 阅读详情

       本来这两天是准备动手写3ds max的导出插件的,但看着看着,感觉到自己的数学根基不稳,所以干脆从自己的数学库写起。

       看到3D,有时真的对数学感触很深。究竟学数学的意义是什么呢?记得在上大学以前,数学的用途就仿佛只有考试和竞赛,身边的同学都是带着功利心和分数的压力去学,去做题,而老师更是受学校要求的“威迫利诱”一遍一遍地压着学生。真的很恐怖,也很悲凉。

      但上了大学就不同了,凡是要用程序来解决一些问题,或者是实现某些功能和效果,都需要数学建模,毕竟计算机是建立于0/1数学之上的吧。现在看到自己的数学知识换成一行行代码,一个个模块时,心里真的有种满足感和幸福感。

      这个数学库我是参考《3D数学基础:图形与游戏开发》的内容来写的。这本书真的有很强的针对性和实践性,其中某些运算都把代码给出来了。记得有一个老师说过,尽管这是人家的程序,但如果你把它消化掉,那些东西就是你自己的了。另外,这本书也有不少让我怀疑的地方,但愿我能改正,并用实践去证明正确性。写完这个后,再跟野猪哥哥的那个数学库对比对比,我答应过给他找bug的。^_^

       这个数学库主要实现的运算有:

      3维向量:取反、加减、点积、叉积、求模、标准化、向量投影、两个向量夹角的余弦和正弦等;

      欧拉角:转换到限制集、物体-惯性或惯性-物体四元数转换成欧拉角;

      四元数:叉积、点积、构造关于X,Y,Z和任意轴的转动的四元数、提取旋转轴和旋转角、Slerp、共轭、求幂、正规化、Squad、用欧拉角构造物体-惯性旋转的四元数

      4x3矩阵:平移、执行父空间<-->局部空间变换、绕任意轴旋转、沿任意轴缩放、切变、投影、沿任意平面反射、矩阵乘法、求逆

     完成这些后,就着手写max的导出插件(之前酝酿得也差不多了),然后写mesh导入,还有AABB。。

     差点忘了纹理的导入和映射!

    It's so amazing!

      

C++图形编程的SLMath数学库开源解析 SLMath 是一个开源的数学库,专为高性能计算设计,尤其适用于3D图形和游戏开发领域。它旨在简化数学运算代码,提高代码的可读性和可维护性,同时优化性能以适应复杂的数学计算需求。SLMath库的创建灵感源于GLSL,但其目标是在通用编程语言中实现更广泛的兼容性和更高级别的抽象。GLSL(OpenGL Shading Language)是一种高级编程语言,专门用于在OpenGL图形渲染管线中编写着色器。 阅读详情

相关推荐

从内外参推导IPM变换方程及代码实现(生成AVM环视拼接图)

最近想实现AVM拼接,看了不少博客和论文,不过比较愚钝,一直没能很好理解原理,尤其是怎么在实现时把下文中Z1和Z2消除的,所以严谨的推导了一下对应的公式,如有不对,水平有限,烦请指出~IPM变换(逆透视变换),顾名思义,即将正常透视效应消除的变换,变换结果为鸟瞰图BEV(俯视图);AVM环视拼接一般是将车身前后左右的四个鱼眼相机拼接成环视图(也是俯视),其使用的单应矩阵将四个相机转到同一个俯视坐标系。

mxdsdo09的博客 4177

我自己写的3D图形数学库。。。有点乱!

// Det.cpp : Defines the entry point for the console application. // #include "stdafx.h" #define M 3//矩阵大小 #include #include #include #include #include #include "ArrayInterTriangle.h"

daojin505的专栏 714

4×V100部署Qwen3.8-Flash-Next:vLLM/GGUF实战

大模型本地部署的核心,是把参数量、量化精度、显存容量和推理框架放在同一张账本里算清楚。MoE 模型总参数量大但激活参数少,解码阶段更受显存带宽与 KV Cache 限制;通过 INT4/AWQ 或 GGUF 等 4-bit 量化可显著压缩权重占用,再结合 vLLM 张量并行、llama.cpp 分层切分提升多卡利用率。其技术价值在于让 V100 这类老架构 GPU 也能承载百亿级参数模型的私有化推理,并服务于 RAG 知识库、工作流 API、批量生成等场景。这次围绕 4×V100 32G 部署 Qwen3.

weixin_29061425的博客 353

3D数学库的简单实现(C语言)

头文件 vmath.h #ifndef _VMATH_H #define _VMATH_H #ifdef _cplusplus extern "C" { #endif typedef float Matrix44f[16]; void translate(Matrix44f M, float x, float y, float z); void scale(Matrix44f M,

孤月天心 2263

告别屏幕闪烁:手把手教你用示波器抓取并分析MIPI DSI信号(以RK平台为例)

本文详细介绍了如何利用示波器抓取并分析MIPI DSI信号,以解决LCD屏幕闪烁、花屏等问题。以RK平台为例,从工具准备、示波器参数配置到信号捕获与波形解读,提供了一套完整的调试方案,帮助硬件工程师快速定位和解决显示接口信号完整性问题。

weixin_33704591的博客 658

EVE-NG 新增 qcow2 镜像教程

本文介绍了如何在 EVE-NG 网络仿真平台中添加 QCOW2 镜像并配置 YML 文件。首先,用户需要了解 EVE-NG 的目录结构,上传并重命名 QCOW2 镜像,然后设置文件权限并刷新界面以识别设备。接着,讲解了 YML 文件的作用,它用于定义设备的CPU、内存、网卡等参数,并给出了配置示例。若有多个设备版本,可以通过复制并重命名 YML 文件使其独立显示。最后,通过检查 QEMU 进程和日志验证 YML 配置是否生效。总结部分强调了 EVE-NG 的自动识别机制以及独立管理设备版本的方式。

qq_41862216的博客 3081

(算法设计与分析)实验一 编写自己的数学库

一、实验目的 利用微积分知识和C/C++语言,扩展计算能力,实现自己的函数库。 二、 实验要求 1) 泰勒展开式为如下形式: 2) 利用泰勒展开式完成如下函数,并与系统库math.h中的对应函数比较性能。 至少实现以上4个函数,可以自己实现更多初等函数。 三、实验步骤与内容 代码: #include <iostream> #include <windows.h> #include <math.h> #define pi 3.1415926 #define e 2.

weixin_44209522的博客 1552

ipsec 加密流程(一):ipsec策略匹配

《openswan》专栏系列文章主要是记录openswan源码学习过程中的笔记。 Author: Toney Email: vip_13031075266@163.com Date: 2020.11.22 Copyright: 未经同意不得转载!!! Version:2.6.51.5 Reference:https://download.openswan.org/openswan/ 1. ipsec策略匹配流程(ipsec_tunnel_start_xmit) 注:open...

遇见你是我最美丽的意外 9123

C语言数学函数库

数学函数库 几乎所有语言都会提供数学函数库,数学函数库起码包含幂,对数、三角函数等最基本的运算,C对于基本数学函数还算全面,如下表: 使用数学函数库需要导入math.h,表中所有参数和返回值都是double,对于float, long double类型有对应的函数sqrtf()和sqrtl(),不同编译器提供的类型可能不同。这里要说的是为什么反正切有两个函数atan()和atan2(),当我们通过坐标求夹角时,可以使用反正切函数atan(y/x)求得,如图: 但是atan()的值域为(-π/2, π/2)

jaj2003的博客 1万+

RTKlib操作手册--使用样例数据演示

本文将使用样例数据演示如何使用RTKLIB进行rtk差分定位。

samur2的博客 7790

基于反事实的因果推理Causal inference based on counterfactuals--一万六千字文献详细解读(因果关系的推理应用)【全文总结】

基于反事实的因果推理Causal inference based on counterfactuals--一万六千字文献详细解读(因果关系的推理应用)【全文总结】---来自一位即将入学的准研一,也希望这篇文章能够激励自己不断走下去!!

qq_46044325的博客 4444

C/C++ 数学库文件 (math.h)

目录 1、三角函数 Trigonometric functions 1.1、 cos() 函数 1.2 sin() 正弦函数 1.3、 tan() 正切函数 1.4、 acos() 反余弦函数 1.5、asin() 反正弦函数 1.6、atan() 反正切函数 1.7、atan2() 带两个参数的反正切函数 2、双曲函数 Hyperbolic functions 2.1、双曲余...

sumjess 1万+

AI学习指南RAG篇(19)-API调用与集成

通过上述API调用示例,您可以方便地将RAGFlow与其他系统集成,实现数据集管理、文档处理、会话管理等功能。希望本文的介绍能帮助您更好地理解和使用RAGFlow的API。

俞兆鹏的博客 2549

编写3D数学库手记--IT man

Csdn-Blog编写3D数学库手记 bsp       本来这两天是准备动手写3dsmax的导出插件的,但看着看着,感觉到自己的数学根基不稳,所以干脆从自己的数学库写起。      看到3D,有时真的对数学感触很深。究竟学数学的意义是什么呢?记得在上大学以前,数学的用途就仿佛只有考试和竞赛,身边的同学都是带着功利心和分数的压力去学,去做题,而老师更是受学校要求的“威

257

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Vim.Math3D:高效、安全的3D数学库

Vim.Math3D:高效、安全的3D数学库 项目介绍 Vim.Math3D 是由 VIM 开发的一款便携、安全且高效的3D数学库,采用C#编写,目标为.NET Standard 2.0,无任何外部依赖。该项目旨在作为System.Numerics的丰富功能替代品,确保跨平台的一致性序列化,强制不可变性,并提供许多额外的结构和功能。Math3D与Unity兼容,并在多种平台上(如Windows、A...

gitblog_00712的博客 1057

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Go-GL MathGL:纯Go编写的3D数学库

Go-GL MathGL([mathgl](https://github.com/go-gl/mathgl))是一个专为OpenGL图形能力设计的Go语言矩阵与向量数学库。此项目采用Go作为其唯一的编程语言,确保了高效且易于集成到Go生态系统中的特性。 ## 核心功能 MathGL提供了一套全面的3D数学工具集,包括但不限于向量运算、矩阵变换、以及与OpenGL兼容的坐标处理。它分成了两个子包:

gitblog_01104的博客 566

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Chili3D数学库:3D几何计算与矩阵变换实现

Chili3D是一个基于浏览器的3D CAD应用程序,其强大的数学库为整个系统提供了核心的几何计算和矩阵变换能力。本文深入解析Chili3D数学库的设计理念、核心组件以及实际应用场景,帮助开发者理解如何利用这些数学工具构建复杂的3D应用。 ## 数学库架构 Chili3D数学库采用模块化设计,主要包含以下核心组件: ```mermaid graph TD A[Chili3D Math...

gitblog_00695的博客 833

探索glam:游戏与图形开发的3D数学库新星

在游戏和图形开发的世界中,高效的数学运算是不可或缺的。今天,我们将深入了解一个新兴的开源项目——`glam`,这是一个专为游戏和图形应用设计的简单且快速的3D数学库。 ## 项目介绍 `glam`是一个用Rust编写的3D数学库,特别优化了性能,适用于游戏和图形开发。它提供了丰富的数据类型,包括向量、矩阵、四元数和仿射变换等,支持多种数据精度(如`f32`、`f64`、`i16`、`u16`、...

gitblog_00969的博客 838

d3d 之数学库

 一、 矩阵类型        XNA数学库中针对矩阵的类型为XMMATRIX。这是一个4x4的矩阵,里面可以容纳16个32位浮点数。对于XMMATRIX的初始化,可以有多种方法,一种方法是传4个XMVECTOR参数,每个XMVECTOR对应矩阵的一行;第二种方法是直接传递16个浮点数,代表整个矩阵的内容;第三种方法是用一个FLOAT型的数组,代表整个矩阵的内容。当然,这三种方法都有点麻烦

yellowjianokok的博客 925

Go3D:高性能的Go语言2D/3D数学库

Go3D:高性能的Go语言2D/3D数学库 项目基础介绍及编程语言 Go3D 是一款专为性能而设计的2D和3D图形数学库,采用Go语言编写。该项目由Ungerik维护,它旨在提供一套高效的向量和矩阵运算工具,适用于游戏开发、图形渲染以及任何依赖于高级数学运算的领域。通过将不同类型置于各自的子包中,并以T后缀命名(如 vec3.T 表示三维向量),Go3D确保了代码的清晰性和高效性。 核心功能 Go...

gitblog_00999的博客 491

C++3D数学库设计详解 向量篇之美

Preface   为了支持光线追踪的学习,决定写一个3D泛型数学库。   我采用的是windows平台以及C++Template技术      我的库文件组织目录如下   --lvgm   ----test   ------testVec.cpp   ----type_vec   ------lv_vec2.h   ------lv_vec3.h   ------type_...

游戏开发、游戏引擎开发、逆向破解爱好者 1567

GLM数学库完整安装指南:快速掌握3D图形编程利器

GLM(OpenGL Mathematics)是一个专为图形软件设计的C++数学库,完全遵循OpenGL着色语言(GLSL)规范。这个强大的数学库为开发者提供了与GLSL命名约定和功能相同的类和函数,让熟悉GLSL的开发者能够在C++中轻松使用GLM进行3D图形编程。 [![GLM数学库专业logo](https://raw.gitcode.com/gh_mirrors/gl/glm/raw/b

gitblog_00575的博客 669

C、C++开源的数学库有哪些

C和C++中有许多开源的数学库,涵盖了从基础数学运算到高级数学计算、数值分析等多种功能。

欢迎来到我的博客!这里是一个专注于计算机技术的分享平台,涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者,都能在这里找到有价值的内容。 3423

wgpu-matrix:为WebGPU量身定制的高性能3D数学库

wgpu-matrix:为WebGPU量身定制的高性能3D数学库 项目介绍 wgpu-matrix是一款专为WebGPU设计的高性能3D数学库,旨在为开发者提供快速、简洁的矩阵和向量操作。与传统的WebGL数学库不同,wgpu-matrix充分考虑了WebGPU的特性,确保在新的图形API环境下依然能够高效运行。无论是处理透视投影、正交投影,还是进行矩阵变换,wgpu-matrix都能提供简洁且高...

gitblog_00718的博客 950

SharpDX数学库详解:向量、矩阵与3D空间计算实战

SharpDX是一套功能强大的.NET框架,为开发者提供了高效的DirectX API封装。其中,SharpDX数学库(位于Source/SharpDX.Mathematics目录)是游戏开发和图形编程的核心组件,提供了向量、矩阵和四元数等基础数学结构,帮助开发者轻松处理3D空间计算问题。本文将带你深入了解SharpDX数学库的核心功能,掌握向量运算、矩阵变换和3D空间计算的实战技巧。 ## S

gitblog_00753的博客 788

高效率的3D图形数学库

    最近研究汇编比较多,看自己C++代码的汇编源码简直是一种折磨,这迫使我将所有数学库重新用汇编指令实现,当然,包括对CPUID的检测和使用扩展指令集。测试结果是与D3DX9的数学函数比较的,效果另人满意,除了矩阵相乘的算法总是与D3DXMatrixMultiply函数有7%的差距外,其余都是持平甚至遥遥领先(也许是我疯了,大家自己测一下)。 由于本人技术浅薄,测试效率的方法又比较简陋,所以还

百变萌菌 2514
上一篇: 数学在实际应用中会显得更美
下一篇: 我所遇到的LNK2005问题。
Mouse3D
博客等级 码龄21年 13粉丝 15原创
评论 4
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