#include <gl/glut.h>#include <GL/freeglut.h>#include <GL/glext.h>#define nWidth 800#define nHeight 600#define nDepth 300GLuint RenderTexture = 0;GLuint* m_pBuffer;GLuint colorcount =

背景：这篇文章的背景是在日常的学习和项目中，经常会遇到一些基础功能的组合复用，每次去查函数的用法和pipeline都是比较耗时耗力需要重新调试，所以想着把一些经常用到的代码段固化成函数，方便未来的调用，快速迭代和验证。另外，发现谷歌的colab比较好使，对于算法的快速验证迭代还是很有帮助的（尤其对于我这个垃圾笔记本），在环境的配置，算力的提供上都有无与伦比的优势，本地的部署除了在必须的情况下使用，

生成requirements.txt，pip freeze会将当前PC环境下所有的安装包都进行生成,再进行安装的时候会全部安装很多没有的包.此方法要注意。导出结果会存在路径，生成的requirements.txt文件在当前目录下。，这个工具的好处是可以通过对项目目录的扫描，发现使用了哪些库，生成依赖清单。生成的requirements.txt文件在当前目录下。生成的requirements.txt

凸函数的证明

深度学习已经在生活的方方面面被应用和重视。随着手机算力的不断提升，以及深度学习的快速发展，特别是小网络模型不断成熟，原本在云端执行的推理预测就可以转移到端上来做。端智能即在端侧部署运行 AI 算法，相比服务端智能，端智能具有低延时、兼顾数据隐私、节省云端资源等优势。目前端智能正逐渐变为趋势，从业界来看，它已经在 AI 摄像、视觉特效等场景发挥了巨大价值。ncnn 是一个为手机端极致优化的高性能神经

背景：Anaconda作为深度学习最流行的pipeline之一，可以方便的修改和导出学习环境，每次跑代码配环境总是一件令人头大的事情。之前一直没有好好研究Anaconda的用法，导致每次使用的时候一些简单的命令都需要现场查询，所以想着把一些常见的用法和命令固化，希望能够帮到大家，也作为自己以后的一个查阅的依据。

这里主要是指用模型估计图片中的物体深度，这样的方式获得的结果，在一张图片中不同的像素点之间的相对深度差，但是在在连续的图片序列中，两帧之间的深度估计结果没有必然的联系。例如，假设上面的面具是一个视频序列，在第一帧面具左眼的深度为100，面具右眼的深度估计为110.第二帧中，面具的左眼的深度可能是1000，而右眼的深度可能为1010。可以发现，两帧之间同一区域的深度，在采用深度学习模型估计的时候，其

这里主要是指用模型估计图片中的物体深度，这样的方式获得的结果，在一张图片中不同的像素点之间的相对深度差，但是在在连续的图片序列中，两帧之间的深度估计结果没有必然的联系。例如，假设上面的面具是一个视频序列，在第一帧面具左眼的深度为100，面具右眼的深度估计为110.第二帧中，面具的左眼的深度可能是1000，而右眼的深度可能为1010。可以发现，两帧之间同一区域的深度，在采用深度学习模型估计的时候，其

生成requirements.txt，pip freeze会将当前PC环境下所有的安装包都进行生成,再进行安装的时候会全部安装很多没有的包.此方法要注意。导出结果会存在路径，生成的requirements.txt文件在当前目录下。，这个工具的好处是可以通过对项目目录的扫描，发现使用了哪些库，生成依赖清单。生成的requirements.txt文件在当前目录下。生成的requirements.txt

segment fault/error，产生core dump的可能原因和排查方法表现/现象可能的原因内存访问越界多线程未加锁非法指针堆栈溢出.排查的方法直接法：间接排除法：简而言之就是访问了错误的内存段或者是0地址。表现/现象在Eclipse的输出框或者Linux终端调用运行的时候报出xxxxx文件的某一行有一个segment error/fault这个问题属于比较棘手和麻烦的问题，因为像这个内