Różniczkowe warstwy grafiki.

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 ma na celu udostępnienie społeczności użytecznych funkcji graficznych poprzez zapewnienie zestawu zróżnicowanych warstw graficznych (np. kamery, modele odbicia, zwoje siatki) i funkcji przeglądarki 3D (np. 3D TensorBoard), które można wykorzystać w modelach uczenia maszynowego wybór.

W ciągu ostatnich kilku lat nastąpił wzrost liczby nowatorskich, zróżnicowanych warstw graficznych, które można umieszczać w architekturach sieci neuronowych. Od transformatorów przestrzennych po zróżnicowane renderery grafiki, te nowe warstwy wykorzystują wiedzę zdobytą przez lata badań nad wizją komputerową i grafiką do tworzenia nowatorskich i bardziej wydajnych architektur sieciowych. Jawne modelowanie geometrycznych priorytetów i ograniczeń w modelach uczenia maszynowego otwiera drzwi do architektur, które można solidnie, wydajnie i, co ważniejsze, trenować w sposób samonadzorowany.

Aby rozpocząć, zapoznaj się z bardziej szczegółowym omówieniem , przewodnikiem instalacji i interfejsem API .