Trang này được dịch bởi Cloud Translation API.
Switch to English

Các lớp khác nhau cho đồ họa.

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)
Chạy trong Notebook
TensorFlow Graphics nhằm mục đích làm cho các chức năng đồ họa hữu ích có thể truy cập rộng rãi đến cộng đồng bằng cách cung cấp một tập hợp các lớp đồ họa khác nhau (ví dụ: máy ảnh, mô hình phản xạ, cấu trúc lưới) và chức năng trình xem 3D (ví dụ 3D TensorBoard) có thể được sử dụng trong các mô hình học máy của bạn sự lựa chọn

Vài năm gần đây đã chứng kiến ​​sự gia tăng các lớp đồ họa khác biệt mới lạ có thể được chèn vào các kiến ​​trúc mạng thần kinh. Từ các máy biến áp không gian đến các trình kết xuất đồ họa khác biệt, các lớp mới này tận dụng kiến ​​thức có được qua nhiều năm nghiên cứu về thị giác máy tính và đồ họa để xây dựng các kiến ​​trúc mạng mới và hiệu quả hơn. Mô hình hóa rõ ràng các linh mục hình học và các ràng buộc vào các mô hình học máy sẽ mở ra cơ hội cho các kiến ​​trúc có thể được đào tạo mạnh mẽ, hiệu quả và quan trọng hơn là theo kiểu tự giám sát.

Để bắt đầu, hãy xem tổng quan chi tiết hơn, hướng dẫn cài đặtAPI .