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)
Dizüstü Bilgisayarda Çalıştırma
TensorFlow Graphics , makine öğrenimi modellerinde kullanılabilecek bir dizi farklılaştırılabilir grafik katmanı (ör. Kameralar, yansıtma modelleri, ağ kıvrımları) ve 3D görüntüleyici işlevleri (ör. 3D TensorBoard) sağlayarak, yararlı grafik işlevlerini topluluk için geniş çapta erişilebilir hale getirmeyi amaçlamaktadır. tercih.
Son birkaç yılda, sinir ağı mimarilerine eklenebilen yeni, farklılaştırılabilir grafik katmanlarında bir artış görüldü. Uzamsal transformatörlerden farklılaştırılabilir grafik oluşturuculara kadar bu yeni katmanlar, yeni ve daha verimli ağ mimarileri oluşturmak için yıllarca bilgisayar görüşü ve grafik araştırmalarından elde edilen bilgileri kullanır. Geometrik önceliklerin ve kısıtlamaların makine öğrenimi modellerine açıkça modellenmesi, sağlam, verimli ve daha da önemlisi kendi kendini denetleyen bir şekilde eğitilebilen mimarilere kapı açar.
Başlamak için daha ayrıntılı bir genel bakışa , kurulum kılavuzuna ve API'ye bakın .
Son birkaç yılda, sinir ağı mimarilerine eklenebilen yeni, farklılaştırılabilir grafik katmanlarında bir artış görüldü. Uzamsal transformatörlerden farklılaştırılabilir grafik oluşturuculara kadar bu yeni katmanlar, yeni ve daha verimli ağ mimarileri oluşturmak için yıllarca bilgisayar görüşü ve grafik araştırmalarından elde edilen bilgileri kullanır. Geometrik önceliklerin ve kısıtlamaların makine öğrenimi modellerine açıkça modellenmesi, sağlam, verimli ve daha da önemlisi kendi kendini denetleyen bir şekilde eğitilebilen mimarilere kapı açar.
Başlamak için daha ayrıntılı bir genel bakışa , kurulum kılavuzuna ve API'ye bakın .
