เลเยอร์ที่แตกต่างกันสำหรับกราฟิก
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)รันใน Notebook
TensorFlow Graphics มีจุดมุ่งหมายเพื่อสร้างฟังก์ชั่นกราฟิกที่มีประโยชน์ซึ่งสามารถเข้าถึงได้อย่างกว้างขวางในชุมชนโดยจัดเตรียมชุดของเลเยอร์กราฟิกที่แตกต่างกัน (เช่นกล้อง, แบบจำลองการสะท้อนแสง, การชักแบบตาข่าย) และฟังก์ชันการดูภาพ 3 มิติ (เช่น 3D TensorBoard) ที่สามารถใช้ในโมเดลการเรียนรู้ของเครื่องของคุณ ทางเลือก.
ไม่กี่ปีที่ผ่านมามีการเพิ่มขึ้นของเลเยอร์กราฟิกที่แตกต่างกันซึ่งสามารถแทรกในสถาปัตยกรรมโครงข่ายประสาทเทียม ตั้งแต่หม้อแปลงเชิงพื้นที่ไปจนถึงตัวแสดงผลกราฟิกที่แตกต่างกันเลเยอร์ใหม่เหล่านี้ใช้ประโยชน์จากความรู้ที่ได้รับในช่วงหลายปีของการวิจัยวิสัยทัศน์คอมพิวเตอร์และกราฟิกเพื่อสร้างสถาปัตยกรรมเครือข่ายที่แปลกใหม่และมีประสิทธิภาพมากขึ้น การสร้างแบบจำลองโครงสร้างทางเรขาคณิตอย่างชัดเจนและข้อ จำกัด ในแบบจำลองการเรียนรู้ของเครื่องเปิดประตูสู่สถาปัตยกรรมที่สามารถฝึกฝนได้อย่างแข็งแกร่งมีประสิทธิภาพและที่สำคัญกว่านั้นคือในรูปแบบที่ดูแลตนเอง
ในการเริ่มต้นโปรดดู ภาพรวม โดยละเอียดเพิ่มเติม คู่มือการติดตั้ง และ API
ไม่กี่ปีที่ผ่านมามีการเพิ่มขึ้นของเลเยอร์กราฟิกที่แตกต่างกันซึ่งสามารถแทรกในสถาปัตยกรรมโครงข่ายประสาทเทียม ตั้งแต่หม้อแปลงเชิงพื้นที่ไปจนถึงตัวแสดงผลกราฟิกที่แตกต่างกันเลเยอร์ใหม่เหล่านี้ใช้ประโยชน์จากความรู้ที่ได้รับในช่วงหลายปีของการวิจัยวิสัยทัศน์คอมพิวเตอร์และกราฟิกเพื่อสร้างสถาปัตยกรรมเครือข่ายที่แปลกใหม่และมีประสิทธิภาพมากขึ้น การสร้างแบบจำลองโครงสร้างทางเรขาคณิตอย่างชัดเจนและข้อ จำกัด ในแบบจำลองการเรียนรู้ของเครื่องเปิดประตูสู่สถาปัตยกรรมที่สามารถฝึกฝนได้อย่างแข็งแกร่งมีประสิทธิภาพและที่สำคัญกว่านั้นคือในรูปแบบที่ดูแลตนเอง
ในการเริ่มต้นโปรดดู ภาพรวม โดยละเอียดเพิ่มเติม คู่มือการติดตั้ง และ API