لایه های متفاوت 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 یک نوت بوک
اهداف TensorFlow گرافیک در ساخت توابع گرافیکی مفید به طور گسترده ای در دسترس به جامعه، با ارائه مجموعه ای از لایه های گرافیک مشتقپذیر (به عنوان مثال دوربین ها، مدل های بازتاب، مش پیچش) و 3D ویژگی بیننده (به عنوان مثال 3D TensorBoard) است که می تواند در دستگاه شما مدل از یادگیری استفاده می شود انتخاب
در چند سال اخیر شاهد افزایش لایههای گرافیکی متمایز جدید بودهایم که میتوان آنها را در معماری شبکههای عصبی درج کرد. از ترانسفورماتورهای فضایی گرفته تا رندرهای گرافیکی متمایز، این لایههای جدید از دانش بهدستآمده در طول سالها تحقیقات گرافیکی و بینایی کامپیوتری برای ایجاد معماریهای شبکه جدید و کارآمدتر استفاده میکنند. مدلسازی صریح مقدمات و محدودیتهای هندسی در مدلهای یادگیری ماشین، دری را به روی معماریهایی باز میکند که میتوان آنها را قوی، کارآمد، و مهمتر از آن به شیوهای تحت نظارت خود آموزش داد.
برای شروع، یک اطلاعات بیشتر ملاحظه کلی ، به راهنمای نصب و راه اندازی ، و API .
در چند سال اخیر شاهد افزایش لایههای گرافیکی متمایز جدید بودهایم که میتوان آنها را در معماری شبکههای عصبی درج کرد. از ترانسفورماتورهای فضایی گرفته تا رندرهای گرافیکی متمایز، این لایههای جدید از دانش بهدستآمده در طول سالها تحقیقات گرافیکی و بینایی کامپیوتری برای ایجاد معماریهای شبکه جدید و کارآمدتر استفاده میکنند. مدلسازی صریح مقدمات و محدودیتهای هندسی در مدلهای یادگیری ماشین، دری را به روی معماریهایی باز میکند که میتوان آنها را قوی، کارآمد، و مهمتر از آن به شیوهای تحت نظارت خود آموزش داد.
برای شروع، یک اطلاعات بیشتر ملاحظه کلی ، به راهنمای نصب و راه اندازی ، و API .