لایه های متفاوت برای گرافیک

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)
اجرا در یک نوت بوک
هدف TensorFlow Graphics با ارائه مجموعه‌ای از لایه‌های گرافیکی قابل تمایز (مانند دوربین‌ها، مدل‌های بازتابی، پیچش‌های مش) و قابلیت‌های نمایشگر سه‌بعدی (مانند 3D TensorBoard) است که می‌تواند در مدل‌های یادگیری ماشین شما استفاده شود، عملکردهای گرافیکی مفید را به طور گسترده در دسترس جامعه قرار دهد. انتخاب

در چند سال اخیر شاهد افزایش لایه‌های گرافیکی متمایز جدید بوده‌ایم که می‌توان آن‌ها را در معماری شبکه‌های عصبی درج کرد. از ترانسفورماتورهای فضایی گرفته تا رندرهای گرافیکی قابل تمایز، این لایه‌های جدید از دانش به‌دست‌آمده در طول سال‌ها تحقیقات گرافیکی و بینایی رایانه‌ای برای ایجاد معماری‌های شبکه جدید و کارآمدتر استفاده می‌کنند. مدل‌سازی صریح مقدمات و محدودیت‌های هندسی در مدل‌های یادگیری ماشین، دری را به روی معماری‌هایی باز می‌کند که می‌توان آن‌ها را قوی، کارآمد و مهم‌تر، به شیوه‌ای تحت نظارت خود آموزش داد.

برای شروع، به نمای کلی دقیق تر، راهنمای نصب و API مراجعه کنید.