שכבות ניתנות להבדלה עבור גרפיקה.

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 שואפת להפוך פונקציות גרפיות שימושיות לנגישות באופן נרחב לקהילה על ידי אספקת קבוצה של שכבות גרפיות הניתנות להבדלה (למשל מצלמות, מודלים של החזר, פיתולי רשת) ופונקציונליות של צופה תלת מימד (למשל 3D TensorBoard) שניתן להשתמש בהן במודלים של למידת מכונה של בְּחִירָה.

בשנים האחרונות נרשמה עלייה בשכבות גרפיות חדשות שניתן להבחין בהן ניתן להכניס בארכיטקטורות של רשתות עצביות. משנאים מרחביים ועד למעבדים גרפיים ניתנים להבדלה, השכבות החדשות הללו ממנפות את הידע שנרכש לאורך שנים של ראייה ממוחשבת ומחקר גרפי לבניית ארכיטקטורות רשת חדשות ויעילות יותר. מודלים מפורשים של קודמים ואילוצים גיאומטריים למודלים של למידת מכונה פותחת את הדלת לארכיטקטורות שניתן לאמן בצורה חזקה, יעילה, וחשוב מכך, בפיקוח עצמי.

כדי להתחיל, עיין בסקירה מפורטת יותר, במדריך ההתקנה וב- API .