Capas diferenciables para gráficos
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)
El objetivo de TensorFlow Graphics es poner a disposición de la comunidad funciones gráficas útiles; para ello, combina un conjunto de capas de gráficos diferenciables (p. ej., cámaras, modelos de reflectancia, convoluciones de malla) y la funcionalidad de un visor 3D (p. ej., 3D TensorBoard), que puedes usar en los modelos de aprendizaje automático que elijas.
En los últimos años, se viene dando un aumento en la cantidad de capas de gráficos diferenciables nuevas que se pueden insertar en las arquitecturas de redes neuronales. Desde transformadores espaciales hasta procesadores gráficos diferenciables, estas nuevas capas aprovechan el conocimiento adquirido a lo largo de los años sobre la visión artificial y la investigación de gráficos para crear arquitecturas de red novedosas y más eficientes. El modelado explícito de las distribuciones previas y las limitaciones en modelos de aprendizaje automático abre el camino para una arquitectura sólida, eficiente y, aún más importante, que se supervisa de forma automática.
Para comenzar, consulta esta descripción general detallada, la guía de instalación y la API.
En los últimos años, se viene dando un aumento en la cantidad de capas de gráficos diferenciables nuevas que se pueden insertar en las arquitecturas de redes neuronales. Desde transformadores espaciales hasta procesadores gráficos diferenciables, estas nuevas capas aprovechan el conocimiento adquirido a lo largo de los años sobre la visión artificial y la investigación de gráficos para crear arquitecturas de red novedosas y más eficientes. El modelado explícito de las distribuciones previas y las limitaciones en modelos de aprendizaje automático abre el camino para una arquitectura sólida, eficiente y, aún más importante, que se supervisa de forma automática.
Para comenzar, consulta esta descripción general detallada, la guía de instalación y la API.
