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