Warstwy zróżnicowane dla grafiki.

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)
Uruchom w notatniku
TensorFlow Graphics ma na celu udostępnienie społeczności przydatnych funkcji graficznych poprzez zapewnienie zestawu zróżnicowanych warstw graficznych (np. Kamery, modele odbicia, sploty siatki) oraz funkcje przeglądarki 3D (np. TensorBoard 3D), które można wykorzystać w modelach uczenia maszynowego wybór.

W ciągu ostatnich kilku lat nastąpił wzrost liczby nowych, zróżnicowanych warstw graficznych, które można wstawić do architektur sieci neuronowych. Od transformatorów przestrzennych do zróżnicowanych renderów graficznych, te nowe warstwy wykorzystują wiedzę zdobytą przez lata w dziedzinie wizji komputerowej i badań nad grafiką do tworzenia nowatorskich i bardziej wydajnych architektur sieciowych. Jawne modelowanie geometrycznych uprzedzeń i ograniczeń w modelach uczenia maszynowego otwiera drzwi dla architektur, które można trenować solidnie, wydajnie i, co ważniejsze, w sposób samodzielny.

Aby rozpocząć, zapoznaj się z bardziej szczegółowym omówieniem , instrukcją instalacji i interfejsem API .