این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

لایه های متمایز برای گرافیک.

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)
در نوت بوک اجرا شود
TensorFlow Graphics با ارائه مجموعه ای از لایه های گرافیکی متمایز (به عنوان مثال دوربین ها ، مدل های بازتاب ، پیچ های مش) و قابلیت های بیننده سه بعدی (به عنوان مثال 3D TensorBoard) که می تواند در مدلهای یادگیری دستگاه شما مورد استفاده قرار گیرد ، توابع گرافیکی مفید را به طور گسترده ای در دسترس جامعه قرار می دهد. انتخاب

در چند سال گذشته شاهد افزایش لایه های گرافیکی متمایز رمان هستیم که می توان در معماری های شبکه عصبی درج کرد. از ترانسفورماتورهای مکانی گرفته تا رندرهای گرافیکی متمایز ، این لایه های جدید دانش به دست آمده در طی سالها از دید رایانه و تحقیقات گرافیکی را برای ساختن معماریهای جدید و کارآمد شبکه استفاده می کنند. مدل سازی صریح و بدنه های هندسی و محدودیت ها در مدل های یادگیری ماشین ، درهای معماری را باز می کند که می توان با شیوه ای با نظارت خود به صورت نیرومند ، کارآمد و مهمتر از آن آموزش داد.

برای شروع ، به یک مرور کلی دقیق ، راهنمای نصب و API مراجعه کنید .