เลเยอร์ที่แตกต่างสำหรับกราฟิก
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)เรียกใช้ในโน๊ตบุ๊ค
จุดมุ่งหมาย TensorFlow กราฟิกที่จะทำให้การทำงานของกราฟิกที่มีประโยชน์สามารถเข้าถึงได้อย่างกว้างขวางให้กับชุมชนโดยการให้ชุดชั้นกราฟิกอนุพันธ์ (ที่กล้องเช่นรุ่นสะท้อนตาข่าย convolutions) และ 3D ฟังก์ชันการทำงานของผู้ชม (เช่น 3D TensorBoard) ที่สามารถนำมาใช้ในรูปแบบของเครื่องของคุณเรียนรู้ ทางเลือก.
ในช่วงไม่กี่ปีที่ผ่านมาได้เห็นการเพิ่มขึ้นของเลเยอร์กราฟิกแบบสร้างความแตกต่างได้ ซึ่งสามารถแทรกเข้าไปในสถาปัตยกรรมโครงข่ายประสาทเทียมได้ ตั้งแต่ทรานสฟอร์มเมอร์เชิงพื้นที่ไปจนถึงเรนเดอร์กราฟิกแบบแยกส่วน เลเยอร์ใหม่เหล่านี้ใช้ประโยชน์จากความรู้ที่ได้รับจากการวิจัยคอมพิวเตอร์วิทัศน์และกราฟิกเป็นเวลาหลายปี เพื่อสร้างสถาปัตยกรรมเครือข่ายที่แปลกใหม่และมีประสิทธิภาพมากขึ้น การสร้างแบบจำลองทางเรขาคณิตและข้อจำกัดที่ชัดเจนในโมเดลการเรียนรู้ของเครื่องจะเปิดประตูสู่สถาปัตยกรรมที่สามารถฝึกฝนได้อย่างแข็งแกร่ง มีประสิทธิภาพ และที่สำคัญกว่านั้นในรูปแบบการควบคุมตนเอง
ในการเริ่มต้นดูรายละเอียดเพิ่มเติม ภาพรวม ที่ คู่มือการติดตั้ง และ API
ในช่วงไม่กี่ปีที่ผ่านมาได้เห็นการเพิ่มขึ้นของเลเยอร์กราฟิกแบบสร้างความแตกต่างได้ ซึ่งสามารถแทรกเข้าไปในสถาปัตยกรรมโครงข่ายประสาทเทียมได้ ตั้งแต่ทรานสฟอร์มเมอร์เชิงพื้นที่ไปจนถึงเรนเดอร์กราฟิกแบบแยกส่วน เลเยอร์ใหม่เหล่านี้ใช้ประโยชน์จากความรู้ที่ได้รับจากการวิจัยคอมพิวเตอร์วิทัศน์และกราฟิกเป็นเวลาหลายปี เพื่อสร้างสถาปัตยกรรมเครือข่ายที่แปลกใหม่และมีประสิทธิภาพมากขึ้น การสร้างแบบจำลองทางเรขาคณิตและข้อจำกัดที่ชัดเจนในโมเดลการเรียนรู้ของเครื่องจะเปิดประตูสู่สถาปัตยกรรมที่สามารถฝึกฝนได้อย่างแข็งแกร่ง มีประสิทธิภาพ และที่สำคัญกว่านั้นในรูปแบบการควบคุมตนเอง
ในการเริ่มต้นดูรายละเอียดเพิ่มเติม ภาพรวม ที่ คู่มือการติดตั้ง และ API