Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

Grafikler için farklılaştırılabilir katmanlar.

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)
Bir Defter uygulamasında çalıştırma
TensorFlow Graphics , makine öğrenme modellerinizde kullanılabilecek bir dizi farklı grafik katmanı (örn. Kameralar, yansıtma modelleri, örgü kıvrımları) ve 3B görüntüleyici işlevleri (örn. seçim.

Son birkaç yıl, sinir ağı mimarilerine eklenebilen yeni farklılaşabilir grafik katmanlarında bir artış gördü. Mekansal transformatörlerden farklılaştırılabilir grafik oluşturuculara kadar bu yeni katmanlar, yeni ve daha verimli ağ mimarileri oluşturmak için yıllarca bilgisayar vizyonu ve grafik araştırması boyunca edinilen bilgileri kullanır. Geometrik öncelikleri ve kısıtlamaları makine öğrenimi modellerine açıkça modellemek, kendi kendini denetleyen bir şekilde sağlam, verimli ve daha da önemlisi eğitilebilen mimarilere kapı açar.

Başlamak için daha ayrıntılı bir genel bakış , kurulum kılavuzu ve API'ya bakın .