سخنرانی ها ، جلسات محصول ، کارگاه ها و موارد دیگر را از لیست پخش Google I / O مشاهده کنید

لایه های قابل تفکیک 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)
اجرا در نوت بوک
TensorFlow Graphics با ارائه مجموعه ای از لایه های گرافیکی قابل تفکیک (به عنوان مثال دوربین ها ، مدل های بازتابش ، چرخش های مش) و ویژگی های نمایشگر 3D (به عنوان مثال TensorBoard 3D) که می تواند در مدل های یادگیری ماشین شما استفاده شود ، ایجاد توابع گرافیکی مفید را به طور گسترده در دسترس جامعه قرار می دهد. انتخاب

در چند سال گذشته شاهد افزایش لایه های جدید گرافیکی متمایز است که می تواند در معماری های شبکه عصبی وارد شود. از ترانسفورماتورهای فضایی گرفته تا ارائه دهنده های گرافیکی متمایز ، این لایه های جدید از دانش حاصل از سالها تحقیق بینایی و گرافیکی رایانه برای ساخت معماری جدید و کارآمدتر شبکه بهره می برند. مدل سازی صریح مقدمات و محدودیت های هندسی در مدل های یادگیری ماشین ، در را به معماری باز می کند که می تواند به صورت خود نظارت شده ، به صورت قوی ، کارآمد و مهمتر از آن آموزش ببیند.

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