Các lớp có thể phân biệt cho đồ họa.

import numpy as np
import tensorflow as tf
import trimesh

import tensorflow_graphics.geometry.transformation as tfg_transformation
from tensorflow_graphics.notebooks import threejs_visualization

# Download the mesh.
!wget https://storage.googleapis.com/tensorflow-graphics/notebooks/index/cow.obj
# Load the mesh.
mesh = trimesh.load("cow.obj")
mesh = {"vertices": mesh.vertices, "faces": mesh.faces}
# Visualize the original mesh.
threejs_visualization.triangular_mesh_renderer(mesh, width=400, height=400)
# Set the axis and angle parameters.
axis = np.array((0., 1., 0.))  # y axis.
angle = np.array((np.pi / 4.,))  # 45 degree angle.
# Rotate the mesh.
mesh["vertices"] = tfg_transformation.axis_angle.rotate(mesh["vertices"], axis,
                                                        angle).numpy()
# Visualize the rotated mesh.
threejs_visualization.triangular_mesh_renderer(mesh, width=400, height=400)
Chạy trong Notebook
TensorFlow Graphics nhằm mục đích làm cho các chức năng đồ họa hữu ích có thể truy cập rộng rãi vào cộng đồng bằng cách cung cấp một tập hợp các lớp đồ họa có thể phân biệt (ví dụ: máy ảnh, mô hình phản xạ, chập lưới) và các chức năng của trình xem 3D (ví dụ: 3D TensorBoard) có thể được sử dụng trong các mô hình học máy của bạn sự lựa chọn.

Vài năm gần đây đã chứng kiến ​​sự gia tăng các lớp đồ họa mới lạ có thể phân biệt được có thể được chèn vào các kiến ​​trúc mạng thần kinh. Từ các máy biến áp không gian đến các trình kết xuất đồ họa khác biệt, các lớp mới này tận dụng kiến ​​thức thu được qua nhiều năm nghiên cứu về thị giác máy tính và đồ họa để xây dựng các kiến ​​trúc mạng mới lạ và hiệu quả hơn. Mô hình hóa rõ ràng các giá trị và ràng buộc hình học thành các mô hình học máy mở ra cánh cửa cho các kiến ​​trúc có thể được đào tạo một cách mạnh mẽ, hiệu quả và quan trọng hơn, theo cách tự giám sát.

Để bắt đầu, hãy xem tổng quan chi tiết hơn, hướng dẫn cài đặtAPI .