שכבות הניתנות להבדלה 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)
הפעלה ב- Notebook
מטרות גרפיקת TensorFlow על ביצוע פונקציות גרפיקה שימושיות נגישות לציבור רחב לקהילה באמצעות מתן סט של שכבות גרפיקת גזירות (למשל מצלמות, דגמי החזרה, רשת פיתולים) ופונקציונאלי הצופה 3D (למשל 3D TensorBoard) כי ניתן להשתמש במכונה שלך לומדת מודלים של בְּחִירָה.

בשנים האחרונות נרשמה עלייה בשכבות גרפיות חדשות שניתן להבדיל אותן ניתן להכניס בארכיטקטורות של רשתות עצביות. משנאים מרחביים ועד למעבדים גרפיים הניתנים להבדלה, השכבות החדשות הללו ממנפות את הידע שנרכש לאורך שנים של ראייה ממוחשבת ומחקר גרפי לבניית ארכיטקטורות רשת חדשות ויעילות יותר. מודלים מפורשים של קודמים ואילוצים גיאומטריים למודלים של למידת מכונה פותחת את הדלת לארכיטקטורות שניתן לאמן בצורה חזקה, יעילה וחשוב מכך, בפיקוח עצמי.

כדי להתחיל, לראות מפורט יותר סקירה , את מדריך ההתקנה , ואת API .