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)Uruchom w notatniku
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 .
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 .