Grafikler için farklılaştırılabilir katmanlar.

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)
Not Defterinde Çalıştır
TensorFlow Graphics , makine öğrenimi modellerinizde kullanılabilecek bir dizi farklılaştırılabilir grafik katmanı (örn. kameralar, yansıma modelleri, ağ kıvrımları) ve 3D görüntüleyici işlevleri (örn. seçim.

Son birkaç yılda, sinir ağı mimarilerine eklenebilen yeni türevlenebilir grafik katmanlarında bir artış görüldü. Mekansal dönüştürücülerden farklılaştırılabilir grafik oluşturuculara kadar, bu yeni katmanlar, yeni ve daha verimli ağ mimarileri oluşturmak için yıllar boyunca bilgisayarla görme ve grafik araştırmaları sonucunda edinilen bilgilerden yararlanır. Geometrik öncelikleri ve kısıtlamaları makine öğrenimi modellerine açıkça modellemek, sağlam, verimli ve daha da önemlisi kendi kendini denetleyen bir şekilde eğitilebilen mimarilere kapı açar.

Başlamak için daha ayrıntılı bir genel bakış , kurulum kılavuzu ve API'ye bakın.