Bongo Cat Mver桌宠及C++的glew和glfw拓展包，均为Win10系统64位，无需进行配置，按照“使用方法.txt”文本进行使用即可，本资源已取得原创作者发表许可，使用语言C++!如果无法使用请参考“常见问题.txt“进行更改（注：本人在使用过程中发现夫人问题，如果有问题，请谅解，或者可以评论发出问题，我将进行问题的尝试修改）本文章会在评论区出现问题/错误时进行修改-四天内，请谅解！ 由于CSDN社区限制，所以作者一共上传了5个一样的，分别为”C++---Bongo Cat Mver及glew,glfw拓展包-1/-2/-3/-4/-5“,所有项目均为免费，作者已关闭动态积分，本资源上传的是glfw压缩包，使用时请注意查看“使用方法.txt”文本，所有的使用方法均在这里！ 作者后续会继续更新，本人主攻Python，但不会更新Python相关的资源，但会更新Python教程，敬请期待！

C++---Bongo Cat Mver及glew,glfw拓展包-------使用方法

C++---Bongo Cat Mver及glew,glfw拓展包-------注意事项

Labeled Faces in the Wild是一个面部照片数据库，专为研究无约束人脸识别问题而设计。该数据集包含从网络收集的13,000多张面部图像。每张脸都标有图中人物的名字。图中的1680人在数据集中有两张或更多不同的照片。该数据集是在互联网上收集的着名人物的JPEG图片的集合。所有详细信息均可在官方网站上获得：http：//vis-www.cs.umass.edu/lfw/，每张照片都以一张脸为中心。每个通道的每个像素（RGB中的颜色）由浮点范围0.0-1.0编码。该任务称为面部识别（或识别）：给定面部图片，找到给定训练集（图库）的人的姓名。原始图像为250 x 250像素，但默认切片和调整大小参数会将它们减少到62 x 47。

LFW(Labeled Faces in the Wild) 人脸识别数据集

方案库 鸭库scheme-lib是一个计划使用的库。目前支持android osx linux windows，其他平台在规划中。 官方主页： ://evilbinary.github.io/scheme-lib/ QQ群：Lisp兴趣小组239401374 安装编译 Linux 执行sudo apt-get install build-essential freeglut3-dev libgles1-mesa-dev libgles2-mesa-dev libegl1-mesa-dev libalut-dev libopenal-dev libffi-dev uuid-dev liblz4-dev命令安装依赖库。如果需要视频支持请加上libavcodec-dev libavformat-dev libswscale-dev 执行make命令就可以编译，对应平台的文件在bin目录下。 进入bin目录，执行source env.sh ./scheme --script ../apps/hello.ss ，然后运行./scheme --script ../apps/hello.ss就可以

该数据集为sklearn.datasets模块中的人脸识别数据fetch_lfw_people，因为下载速度很慢，可以使用直接导入数据集的方式。数据集的信息为：5749个不同人的类别，13233个样本，数据维度为5828。

范围 scop是由Vulkan，C ++ 20和GLFW制成的3D模型查看器。 特征 scop可以加载Wavefront .obj文件，并且可以通过GUI控制 编译中 通过运行git submodule init && git submodule update确保您具有库。 您可以通过运行mkdir build && cd build && cmake .. -DCMAKE_BUILD_TYPE=Release && make -j8来编译scop二进制文件mkdir build && cd build && cmake .. -DCMAKE_BUILD_TYPE=Release && make -j8 。 用法 运行./scop 。 没有CLI选项。

现代OpenGL+Qt：使用halfway向量提高光照计算效率，使用halfway向量提高OpenGL光照计算的效率，详见博文：现代OpenGL+Qt学习笔记之十一：使用halfway向量提高光照计算效率http://blog.csdn.net/chaojiwudixiaofeixia/article/details/78197656

LFW,Labeled Faces in the Wild。这是一个人脸识别的简单数据集，当然可以在官网进行下载。但是在官网下载实在是太慢了，当然你可以去试试。这个数据集经过筛选的裁剪的，比原数据集要小一些。