Lapisan yang dapat dibedakan untuk grafik.
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)
TensorFlow Graphics bertujuan untuk membuat fungsi grafik yang berguna dapat diakses secara luas oleh komunitas dengan menyediakan satu set lapisan grafik yang dapat dibedakan (misalnya kamera, model reflektansi, konvolusi mesh) dan fungsi penampil 3D (misalnya 3D TensorBoard) yang dapat digunakan dalam model pembelajaran mesin Anda pilihan.
Beberapa tahun terakhir telah melihat peningkatan lapisan grafis terdiferensiasi baru yang dapat dimasukkan ke dalam arsitektur jaringan saraf. Dari trafo spasial hingga perender grafis yang dapat dibedakan, lapisan baru ini memanfaatkan pengetahuan yang diperoleh selama bertahun-tahun melalui visi komputer dan penelitian grafis untuk membangun arsitektur jaringan yang baru dan lebih efisien. Pemodelan prioritas dan batasan geometris secara eksplisit ke dalam model pembelajaran mesin membuka pintu ke arsitektur yang dapat dilatih dengan kuat, efisien, dan yang lebih penting, dengan cara yang diawasi sendiri.
Untuk memulai, lihat ikhtisar yang lebih mendetail , panduan penginstalan , dan API .
Beberapa tahun terakhir telah melihat peningkatan lapisan grafis terdiferensiasi baru yang dapat dimasukkan ke dalam arsitektur jaringan saraf. Dari trafo spasial hingga perender grafis yang dapat dibedakan, lapisan baru ini memanfaatkan pengetahuan yang diperoleh selama bertahun-tahun melalui visi komputer dan penelitian grafis untuk membangun arsitektur jaringan yang baru dan lebih efisien. Pemodelan prioritas dan batasan geometris secara eksplisit ke dalam model pembelajaran mesin membuka pintu ke arsitektur yang dapat dilatih dengan kuat, efisien, dan yang lebih penting, dengan cara yang diawasi sendiri.
Untuk memulai, lihat ikhtisar yang lebih mendetail , panduan penginstalan , dan API .
