Attend the Women in ML Symposium on December 7 Register now
Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Couches différentiables pour les graphiques.

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)
Exécuter dans un ordinateur portable
TensorFlow Graphics vise à rendre les fonctions graphiques utiles largement accessibles à la communauté en fournissant un ensemble de couches graphiques différentiables (par exemple, des caméras, des modèles de réflectance, des convolutions de maillage) et des fonctionnalités de visualisation 3D (par exemple, 3D TensorBoard) qui peuvent être utilisées dans vos modèles d'apprentissage automatique de choix.

Ces dernières années ont vu se développer de nouvelles couches graphiques différentiables pouvant être insérées dans des architectures de réseaux de neurones. Des transformateurs spatiaux aux rendus graphiques différentiables, ces nouvelles couches tirent parti des connaissances acquises au fil des années de vision par ordinateur et de recherche graphique pour créer des architectures de réseau nouvelles et plus efficaces. La modélisation explicite des priors géométriques et des contraintes dans des modèles d'apprentissage automatique ouvre la porte à des architectures qui peuvent être formées de manière robuste, efficace et, plus important encore, de manière auto-supervisée.

Pour commencer, consultez une présentation plus détaillée , le guide d'installation et l' API .