Grafikler için türevlenebilir 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 Notebook Çalıştır
Türevlenebilir grafik katmanları bir dizi sağlayarak topluma yaygın erişilebilir kullanışlı grafik fonksiyonlarını kılmayı TensorFlow Grafik amaçları (örneğin kameralar, yansıma modelleri, helezonlar örgü) ve makine modelleri öğrenme kullanılabilen 3D görüntüleyici işlevsellikleri (örn 3D TensorBoard) tercih.

Son birkaç yılda, sinir ağı mimarilerine eklenebilen yeni türevlenebilir grafik katmanlarında bir artış görüldü. Uzamsal dönüştürücülerden farklılaştırılabilir grafik oluşturuculara kadar, bu yeni katmanlar, özgün ve daha verimli ağ mimarileri oluşturmak için yıllar boyunca bilgisayarla görme ve grafik araştırmalarında edinilen bilgilerden yararlanır. Geometrik öncelikleri ve kısıtlamaları makine öğrenimi modellerine açıkça modellemek, sağlam, verimli ve daha da önemlisi kendi kendini denetleyen bir şekilde eğitilebilen mimarilere kapı açar.

Başlamak için daha ayrıntılı bkz bakış , kurulum kılavuzunu ve API .