对不同物体进行模型变换glPushMatrix不能嵌套

本文介绍在OpenGL中如何正确地对多个对象应用相同的变换操作。通过示例代码对比,解释为何不能仅使用一次变换就能实现对多个对象的相同变换,并提供正确的实现方式。

   意思是,假如对三个物体要进行同样的平移操作,我本来的思路是给加一次变换就行~~如下代码:

glPushMatrix();   
    glTranslatef(3200,-2500,0);
    glRotatef(90,1.0,0.0,0.0);
    glRotatef(-175,0.0,1.0,0.0);

    glPushMatrix();
      DrawObject1();
    glPopMatrix();
    glPushMatrix();
      DrawObject2();
    glPopMatrix();
    glPushMatrix();
      DrawObject3();
    glPopMatrix();        
glPopMatrix();

结果是只有第一个物体进行了模型变换,第二个和第三个都木有。so,只能这样了:

 glPushMatrix();
     glTranslatef(3200,-2500,0);
     glRotatef(90,1.0,0.0,0.0);
     glRotatef(-175,0.0,1.0,0.0);
     DrawObject1();
    glPopMatrix();


    glPushMatrix();
     glTranslatef(3200,-2500,0);
     glRotatef(90,1.0,0.0,0.0);
     glRotatef(-175,0.0,1.0,0.0);
     DrawObject2();
    glPopMatrix();

    glPushMatrix();
     glTranslatef(3200,-2500,0);
     glRotatef(90,1.0,0.0,0.0);
     glRotatef(-175,0.0,1.0,0.0);
     DrawObject3();
    glPopMatrix();        

小问题,记录下来~~

 

转载于:https://www.cnblogs.com/infiniti/archive/2013/01/29/2881653.html

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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