דף זה תורגם על ידי Cloud Translation API.
Switch to English

שכבות ניתנות להבחנה עבור גרפיקה.

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)
הפעל במחשב נייד
גרפיקה של TensorFlow שואפת להפוך פונקציות גרפיות שימושיות לנגישות רחבה לקהילה על ידי אספקת מערך של שכבות גרפיות שונות (למשל מצלמות, מודלים של השתקפות, סיבובי רשת) ופונקציות תצוגה תלת מימדית (למשל TensorBoard 3D) שניתן להשתמש בהן במודלים הלמידה של המכונות שלך בְּחִירָה.

בשנים האחרונות חלה עלייה בשכבות גרפיות שונות המובחנות וניתן להכניס אותם לארכיטקטורות רשת עצביות. משנאים מרחביים למעבירי גרפיקה שונים, שכבות חדשות אלה ממנפות את הידע שנרכש לאורך שנים של ראיית מחשב ומחקר גרפי לבניית ארכיטקטורות רשת חדשות ויעילות יותר. דוגמנות מפורשות של קודמים ואילוצים גיאומטריים למודלים של למידת מכונה פותחת את הדלת לארכיטקטורות הניתנות לאימונים בצורה יעילה, יעילה וחשוב יותר, באופן מבוקר.

כדי להתחיל, ראה סקירה מפורטת יותר, מדריך ההתקנה ו- API .