本篇文章的复现对应于LearnOpenGL教程的入门你好，窗口，你好，三角形，着色器三篇教程。在QT框架中使用OpenGL首先新建一个Qt Widgets Application工程，注意把创建界面点掉，以便我们用代码来创建界面。接着添加一个继承QOpenGLWidget的类来使用OpenGL，这里命名为MyOpenGLWidget，类的具体声明和定义如下：MyOpenGLWidget.h#ifn

阅读本篇文章需要提前掌握OpenGL顶点和着色器及摄像机的相关知识。前面复现篇的两篇文章中介绍了Qt+OpenGL框架下顶点和着色器及摄像机的知识，接下来我们用这两个知识来实现3D领域非常常见的任务—点云显示和交互。点云的显示3D领域常见的一个需求是将点云显示出来给用户，这个功能乍一看好像还比较复杂，实则不然，只要我们学会OpenGL的顶点和着色器的知识就能轻松搞定。原理很简单，只要直接将点云当成

阅读本篇文章需要提前掌握OpenGL纹理的相关知识。做计算机视觉或者播放器等项目，通常需要将图像处理的结果显示给用户看，在Qt上可以用label控件来完成，但其效率相对较低。这里我们介绍一种用Qt自带的OpenGL来做这件事情的方法。图像的显示在前面OpenGL纹理的文章中我们介绍了怎么在Qt自带的OpenGL上贴纹理，这在3D制作上是非常重要的(后面光追一普及操作复杂度可能要远比现在低)。对于只

　　上一篇文章：深度学习1—最简单的全连接神经网络　　　我们完成了一个三层（输入+隐含+输出）且每层都具有两个节点的全连接神经网络的原理分析和代码编写。本篇文章将进一步探讨如何把每层固定的两个节点变成任意个节点，以方便我们下一篇文章用本篇文章完成的网络来训练手写字符集“mnist”。　　对于前向传播，基本上没有什么变化，就不用说了。主要看看后向传播的梯度下降公式。先放上上篇文章的网络图。 ...

上一篇文章我们简单介绍了信息熵的概念，知道了信息熵可以表达数据的信息量大小，是信息处理一个非常重要的概念。对于离散型随机变量，信息熵公式如下：H(p)=H(X)=Ex∼p(x)[−log⁡p(x)]=−∑i=1np(x)log⁡p(x)H ( p ) = H ( X ) = \mathrm { E } _ { x \sim p ( x ) } [ - \log p ( x ) ] = -\s...

由上面一篇文章我们已经知道了，如果我们从真实数据分布里面取n个样本，根据给定样本我们可以列出其出现概率的表达式，那么生成这N个样本数据的似然(likelihood)就是l(θ)=∏i=1Np(xi∣θ)l ( \theta )= \prod _ { i = 1 } ^ { N } p \left( x _ { i } | \theta \right)l(θ)=i=1∏N​p(xi​∣θ)我...

　　上一篇文章：深度学习2—任意结点数的三层全连接神经网络　　介绍了如何实现一个任意结点数的三层全连接神经网络。本篇，我们将利用已经写好的代码，搭建一个输入层、隐含层、输出层分别为784、100、10的三层全连接神经网络来训练闻名已久的mnist手写数字字符集，然后自己手写一个数字来看看网络是否能比较给力的工作。　　在正式做之前，还是按照惯例讲几个会用到的知识点。　　首先是mnist数...

最近一直在搞神经网络，因为习惯了Windows的操作，一直在Windows下看文章写东西，也就顺势在Windows下做了代码编写和训练。一开始觉得速度也就那样，没太注意，但一次因为电脑比较忙拿同样的代码到别的装了Ubuntu系统的机子上面跑，才发现它们的效率意外的相去甚远。下面放出同样的代码在两个平台下的运行速度，希望看到的人能得到些许有用信息。MXNet架构实现内容为FCN全卷积神经网络，...

参考文章：https://blog.csdn.net/xinguihu/article/details/78922005KITTI数据集应该不用多做介绍了，基本上做自动驾驶的都知道这个东西。最近本人用到这个数据集想看看里面的点云长什么模样，却发现有点别扭，没有直接可以看的工具。因此想着转成PCD文件，然后用PCLViewer来看。因为不想用PCL，总感觉这东西配起来好烦，因此就想写纯C++的代..

　　上一篇文章：深度学习1—最简单的全连接神经网络　　　我们完成了一个三层（输入+隐含+输出）且每层都具有两个节点的全连接神经网络的原理分析和代码编写。本篇文章将进一步探讨如何把每层固定的两个节点变成任意个节点，以方便我们下一篇文章用本篇文章完成的网络来训练手写字符集“mnist”。　　对于前向传播，基本上没有什么变化，就不用说了。主要看看后向传播的梯度下降公式。先放上上篇文章的网络图。 ...