میدان های تابشی عصبی که در زبان عامیانه به آن می گویند NeRFs در سال 2020 جهان را تحت تأثیر طوفان قرار داده اند که در کنار این مقاله منتشر شده است «NeRF: نمایش صحنهها بهعنوان میدانهای تابشی عصبی برای سنتز نمایش»و با توجه به تصاویر پراکنده و موقعیت های دوربین، همچنان سنگ بنای ترکیب با کیفیت بالا از نماهای جدید هستند.
از آن زمان، آنها کاربردهای متعددی پیدا کردهاند، اما احتمالاً برجستهترین آنها در مدلسازی حجمی جغرافیایی، با شرکتهایی مانند گوگل که برای ایجاد ساختارهای سهبعدی ساختمانها و مکانهای میراث از زوایای مختلف تصاویر ماهوارهای، و شرکتهایی که متخصص در انجام بازسازی و بازسازی سهبعدی هستند، به NeRF ها متکی هستند. دیجیتالی کردن مکان های فرهنگی شناخته شده
در این راهنما، ما یک مدل میدان تشعشع عصبی (NeRF) را بر روی مجموعه داده اصلی Tiny NeRF با استفاده از TensorFlow/Keras و DeepVision آموزش خواهیم داد تا سنتز نمای جدید/بازسازی سه بعدی را انجام دهیم.
در یک ساعت، در یک ماشین تجاری، نماهای جدیدی از تصاویر را از مجموعه داده TinyNeRF ارائه خواهید کرد:
دیدگاه رمان سنتز و میدان های تابشی عصبی
این بخش خلاصه/مقدمه سادهسازیشدهای درباره نحوه کار میدانهای تابشی عصبی ارائه میدهد، اما اگر در این زمینه تازه کار هستید، ممکن است کمی زمان ببرد تا به طور مستقیم نحوه کار آنها را هضم کنید.
توجه داشته باشید: مقاله اصلی و همچنین فیلم آموزشی و گرافیک مرتبط با آن مواد آموزشی عالی هستند. اگر علاقه مند به درک مفهوم اساسی هستید زمینه های درخشندگی که NeRF ها برای نمایش یک صحنه به آن تکیه می کنند مدخل ویکیپدیا برای «میدانهای نورانی» مقدمه ای عالی ارائه می دهد، اما می توان آنها را به صورت سطح بالا خلاصه کرد
میدان نوری یک تابع برداری است که مقدار نوری را که در هر جهت در هر نقطه از فضا جریان مییابد، توصیف میکند.
NeRF ها برای سنتز نمای جدید - ایجاد نماهای جدید از اشیا و تصاویر، با توجه به برخی نماها. در واقع، میتوانید سنتز نمای جدید را به عنوان تبدیل 2 بعدی-> 3 بعدی در نظر بگیرید، و روشهای زیادی برای حل این مشکل وجود دارد که برخی از آنها موفقتر از دیگران هستند.
از لحاظ تاریخی یک مشکل چالش برانگیز، راه حل ارائه شده توسط NeRF ها بسیار ساده است و در عین حال نتایج پیشرفته ای را به همراه دارد و تصاویری با کیفیت بسیار بالا از زوایای جدید ایجاد می کند:
این، به طور طبیعی، آنها را به عنوان یک رویکرد اساسی برای حل ترکیب دیدگاه جدید، با بسیاری از مقالات بعدی که در حال بررسی، تنظیم و بهبود ایده های موجود در آن هستند، قرار داد.
مشاوره: La سایت اینترنتی منتشر شده در کنار مقاله حاوی ویترین شگفت انگیزی از روش و نتایج آن است و یک فیلم آموزشی که شهود خوبی برای نحوه کار این شبکه ها ایجاد می کند به طور رسمی منتشر شده است.
خط لوله از داده ها به نتایج را می توان به صورت زیر خلاصه کرد:
جایی که شبکه عصبی از تصاویر پراکنده با تولید مصنوعی یاد می گیرد اشعه ها که در فواصل زمانی معین پیش بینی و نمونه برداری می شوند. با توجه به فرادادههای مربوط به تصاویر، مانند موقعیتهای دوربین در هنگام گرفتن تصاویر، تصاویر در فضا قرار میگیرند. به همین دلیل - شما نمی توانید هر تصویری را وارد کنید، و نیاز موقعیت های دوربین برای اینکه بتوانید تصاویر را به طور دقیق در فضا قرار دهید تا پرتوها مجموعه ای قابل درک از نقاط را ایجاد کنند. سپس نقاط نمونه برداری شده مجموعه ای سه بعدی از نقاط را تشکیل می دهند که صحنه حجمی را نشان می دهد:
شبکه عصبی تقریباً a عملکرد صحنه حجمی - مقادیر RGB و چگالی (σ) یک صحنه. در واقع، ما شبکه را آموزش می دهیم تا حفظ کردن رنگ و چگالی هر نقطه ورودی، تا بتوان تصاویر را از دیدگاه های جدید بازسازی کرد. همانطور که گفته شد - NeRF ها بر روی مجموعه ای از تصاویر آموزش داده نمی شوند و می توانند به تصاویر جدید تعمیم دهند. NeRF ها برای رمزگذاری یک صحنه آموزش داده می شوند و سپس فقط برای آن یک صحنه استفاده می شوند. همانطور که وزن شبکه خود صحنه را نشان می دهد.
این "اشکال" اصلی NeRF ها است - شما باید برای هر صحنه ای که می خواهید رمزگذاری کنید یک شبکه آموزش دهید، و روند آموزش هم تا حدودی کند است و هم به حافظه زیادی برای ورودی های بزرگ نیاز دارد. بهبود در زمان آموزش یک حوزه تحقیقاتی با تکنیک های جدید مانند "بهینه سازی شبکه وکسل مستقیم" که به طور قابل توجهی زمان آموزش را بدون کاهش کیفیت تصویر در فرآیند بهبود می بخشد.
میدان های تابشی عصبی در DeepVision و TensorFlow
پیادهسازیهای NeRF برای کسانی که تازه به رندر حجمی میپردازند میتواند کمی دلهرهآور باشد، و مخازن کد معمولاً شامل بسیاری از روشهای کمکی برای برخورد با دادههای حجمی هستند که ممکن است برای برخی غیرمعمول به نظر برسد. DeepVision یک کتابخانه بینایی کامپیوتری جدید است که هدف آن یکسان سازی بینایی کامپیوتر تحت یک API مشترک، با باطن های قابل تعویض (TensorFlow و PyTorch)، تبدیل وزن خودکار بین مدل ها، و مدل هایی با پیاده سازی یکسان در چارچوب های Backend است.
برای کاهش مانع ورود، DeepVision یک پیادهسازی ساده و در عین حال واقعی از مدلهای Neural Radiance Field را با چندین راهاندازی برای تطبیق ماشینهای بیشتر و کمتر قدرتمند با تنظیمات سختافزاری متفاوت ارائه میدهد:
NeRFTiny
NeRFSmall
NeRFMedium
NeRF
NeRFLarge
برای ایجاد این تنظیمات از دو پارامتر استفاده می شود - width
و depth
. از آنجایی که NeRF ها در اصل فقط یک مدل MLP هستند که از tf.keras.layers.Dense()
لایه ها (با یک الحاق واحد بین لایه ها)، depth
به طور مستقیم نشان دهنده تعداد Dense
لایه ها، در حالی که width
تعداد واحدهای مورد استفاده در هر یک را نشان می دهد.
NeRF
مطابق با تنظیمات مورد استفاده در کاغذ اصلی است، اما ممکن است اجرای آن در برخی از ماشین های محلی دشوار باشد، در این صورت، NeRFMedium
عملکرد بسیار مشابهی را با نیازهای حافظه کوچکتر ارائه می دهد.
بیایید پیش برویم و DeepVision را با آن نصب کنیم pip
:
$ pip install deepvision-toolkit
نمونه سازی یک مدل به همین سادگی است:
import deepvision
model = deepvision.models.NeRFMedium(input_shape=(num_pos, input_features), backend='tensorflow') model.summary()
خود مدل بسیار ساده است:
Model: "ne_rftf"
__________________________________________________________________________________________________ Layer (type) Output Shape Param # Connected to ================================================================================================== input_1 (InputLayer) [(None, 640000, 195 0 [] )] dense (Dense) (None, 640000, 128) 25088 ['input_1[0][0]'] dense_1 (Dense) (None, 640000, 128) 16512 ['dense[0][0]'] dense_2 (Dense) (None, 640000, 128) 16512 ['dense_1[0][0]'] dense_3 (Dense) (None, 640000, 128) 16512 ['dense_2[0][0]'] dense_4 (Dense) (None, 640000, 128) 16512 ['dense_3[0][0]'] concatenate (Concatenate) (None, 640000, 323) 0 ['dense_4[0][0]', 'input_1[0][0]'] dense_5 (Dense) (None, 640000, 128) 41472 ['concatenate[0][0]'] dense_6 (Dense) (None, 640000, 4) 516 ['dense_5[0][0]'] ==================================================================================================
Total params: 133,128
Trainable params: 133,124
Non-trainable params: 4
__________________________________________________________________________________________________
راهنمای عملی و عملی ما برای یادگیری Git را با بهترین روش ها، استانداردهای پذیرفته شده در صنعت و برگه تقلب شامل بررسی کنید. دستورات Google Git را متوقف کنید و در واقع یاد گرفتن آی تی!
ما نگاهی دقیق تر به نحوه برخورد با خروجی های مدل و نحوه رندر کردن تصاویر تولید شده توسط وزن های مدل در یک لحظه خواهیم داشت.
در حال بارگیری مجموعه داده TinyNeRF
از آنجایی که آموزش NeRF ها بر روی تصاویر ورودی بزرگتر می تواند تا حدودی گران باشد، آنها با مجموعه داده کوچکی از تصاویر 100×100 منتشر شدند. TinyNeRF برای آسان تر کردن تست و تکرار متعاقباً به یک مجموعه داده کلاسیک برای آزمایش NeRF ها و ورود به این حوزه تبدیل شده است، مشابه آنچه که MNIST به «Hello World» تشخیص رقم تبدیل شد.
مجموعه داده به صورت یک موجود است .npz
فایل، و حاوی تصاویر، نقاط کانونی (که برای عادی سازی استفاده می شود) و ژست های دوربین، و می توانید از انتشار کد رسمی دریافت کنید:
import requests
import numpy as np
import matplotlib.pyplot as plt url = "https://people.eecs.berkeley.edu/~bmild/nerf/tiny_nerf_data.npz"
save_path = 'tiny_nerf.npz' file_data = requests.get(url).content
with open(save_path, "wb") as file: file.write(file_data) data = np.load(save_path) images, poses, focal = data["images"], data["poses"], data["focal"] print(images.shape) print(poses.shape) print(focal)
106 تصویر، هر کدام 100×100، با 3 کانال (RGB) وجود دارد. تمام تصاویر مربوط به یک بولدوزر کوچک لگو است. بیایید پنج تصویر اول را ترسیم کنیم:
fig, ax = plt.subplots(1, 5, figsize=(20, 12))
for i in range(5): ax[i].imshow(images[i])
La موقعیت های دوربین ارائه شده در مجموعه داده برای قادر به بازسازی فضایی که در آن تصاویر گرفته شده است، بسیار مهم هستند، که به ما امکان می دهد پرتوها را از طریق تصاویر پخش کنیم و یک فضای حجمی با نقاط نمونه برداری شده در هر طرح ایجاد کنیم.
با این حال، از آنجایی که این مجموعه داده نیاز به آماده سازی زیادی برای مرحله آموزش دارد - DeepVision ارائه می دهد load_tiny_nerf()
بارگذار مجموعه داده، که آماده سازی را برای شما انجام می دهد، با یک گزینه اختیاری validation_split
, pos_embed
و num_ray_samples
، و یک وانیل را برمی گرداند tf.data.Dataset
که می توانید خطوط لوله با کارایی بالا ایجاد کنید:
import deepvision train_ds, valid_ds = deepvision.datasets.load_tiny_nerf(pos_embed=16, num_ray_samples=32, save_path='tiny_nerf.npz', validation_split=0.2, backend='tensorflow')
شما مطلقاً نیازی به ایجاد یک مجموعه اعتبار سنجی در اینجا ندارید، زیرا نکته اصلی است is برای اضافه کردن و به خاطر سپردن کامل تصاویر، و مجموعه اعتبار سنجی در اینجا در درجه اول به عنوان یک بررسی سلامت عقل ایجاد می شود.
بیایید نگاهی به طول و اشکال ورودی در مجموعه داده آموزشی بیندازیم:
print('Train dataset length:', len(train_ds))
print(train_ds)
این نتیجه در:
Train dataset length: 84
<ZipDataset element_spec=(TensorSpec(shape=(100, 100, 3), dtype=tf.float32, name=None), (TensorSpec(shape=(320000, 99), dtype=tf.float32, name=None), TensorSpec(shape=(100, 100, 32), dtype=tf.float32, name=None)))>
La pos_embed
آرگومان تعداد را تعیین می کند تعبیه های موضعی برای تبدیل مختصات 5 بعدی (x، y، z و زوایای دید تتا و فی) استفاده می شود. تعبیه های موقعیتی بودند بسیار سخت برای اینکه شبکه بتواند توابع فرکانس بالاتر را نشان دهد، که در گذشته "یک عنصر گمشده" در کارکرد این نوع تکنیک در گذشته بود، زیرا شبکه ها به دلیل تعصب خود برای تقریب توابع نشان دهنده تنوع فرکانس بالا در رنگ و هندسه تلاش می کردند. به جای یادگیری توابع فرکانس پایین:
La num_ray_samples
نشان دهنده تعداد نمونه های گرفته شده در طول هر پرتو پرتاب شده در تصویر است.
طبیعتاً، هرچه از جاسازیها و نمونههای پرتوی موقعیتی بیشتری استفاده کنید، وضوح صحنه حجمی را به طور تقریبی بالاتر میبرید، و بنابراین، جزئیات بیشتر تصاویر نهایی به قیمت هزینههای محاسباتی بالاتر خواهد بود.
آموزش NeRF با TensorFlow/Keras و DeepVision
بیایید نگاهی به یک مثال سرتاسر بارگذاری داده ها، تهیه مجموعه داده، نمونه سازی یک مدل و آموزش آن با استفاده از DeepVision و اکوسیستم TensorFlow/Keras بیندازیم:
import deepvision
from deepvision.datasets import load_tiny_nerf
import tensorflow as tf config = { 'img_height': 100, 'img_width': 100, 'pos_embed': 32, 'num_ray_samples': 64, 'batch_size': 1
} num_pos = config['img_height'] * config['img_width'] * config['num_ray_samples']
input_features = 6 * config['pos_embed'] + 3 train_ds, valid_ds = load_tiny_nerf(pos_embed=config['pos_embed'], num_ray_samples=config['num_ray_samples'], save_path='tiny_nerf.npz', validation_split=0.2, backend='tensorflow') train_ds = train_ds.batch(config['batch_size']).prefetch(tf.data.AUTOTUNE)
valid_ds = valid_ds.batch(config['batch_size']).prefetch(tf.data.AUTOTUNE) model = deepvision.models.NeRFMedium(input_shape=(num_pos, input_features), backend='tensorflow') model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3), loss=tf.keras.losses.MeanSquaredError()) callbacks = [tf.keras.callbacks.ReduceLROnPlateau()] history = model.fit(train_ds, epochs=50, validation_data=valid_ds, callbacks=callbacks)
در Nvidia GTX1660Super، آموزش با 32 جاسازی موقعیتی و 64 نمونه پرتو 1 دقیقه در هر دوره طول می کشد، اما تنظیمات کوچکتر، مانند 8 تا 16 جاسازی موقعیتی و 32 نمونه اشعه ممکن است به 7 ثانیه در هر دوره نیاز داشته باشد.
Epoch 1/50
84/84 [==============================] - 65s 746ms/step - loss: 0.0603 - psnr: 12.6432 - val_loss: 0.0455 - val_psnr: 13.7601 - lr: 0.0010
...
Epoch 50/50
84/84 [==============================] - 55s 658ms/step - loss: 0.0039 - psnr: 24.1984 - val_loss: 0.0043 - val_psnr: 23.8576 - lr: 0.0010
پس از تقریباً یک ساعت، در یک واحد پردازش گرافیکی تجاری، مدل به 24 PSNR دست می یابد. نکته ای که در مورد NeRF ها وجود دارد این است که هر چه مدت زمان بیشتری تمرین کنید، به نمایش تصاویر اصلی نزدیک تر می شود، به این معنی که معمولاً با افزایش زمان تمرین، معیارها را در طول زمان افزایش خواهید داد. داشتن یک کمک می کند ReduceLROnPlateau
پاسخ به تماس برای کنترل کاهش نرخ یادگیری برای تنظیم دقیق نتایج در نزدیکی پایان آموزش.
مدل دو معیار را گزارش می کند - loss
و psnr
. از دست دادن میانگین مربعات خطا برای هر پیکسل است و به عنوان یک تابع ضرر عالی برای NeRF ها عمل می کند، اما تفسیر آن دشوار است.
نسبت سیگنال به نویز اوج (PSNR) نسبت بین سیگنال (حداکثر قدرت یک سیگنال) و نویز (قدرت نویز که صحت سیگنال را خراب می کند) است که تصویر را کاهش می دهد. نسبت سیگنال به نویز پیک می تواند به عنوان یک مورد استفاده شود کیفیت تصویر متریک، و تفسیر آن برای انسان بسیار شهودی است.
در حال حاضر در PSNR 24، تصاویر نسبتاً واضح می شوند و NeRF ها با توجه به زمان کافی برای آموزش می توانند به PSNR های بیش از 40 در TinyNeRF برسند.
تجسم خروجی ها
شبکه یک تانسور شکل خروجی می دهد [batch_size, 640000, 4]
که در آن کانال ها نشان دهنده RGB و تراکم هستند و 640000 نقطه صحنه را رمزگذاری می کند. برای نشان دادن اینها به عنوان تصویر، می خواهیم تانسور را به شکلی تغییر دهیم (batch_size, img_height, img_width, num_ray_samples, 4)
و سپس 4 کانال را به RGB و سیگما تقسیم کنید و آنها را به صورت یک تصویر پردازش کنید (و در صورت تمایل، یک نقشه عمق/دقت).
به طور خاص، کانال های RGB از طریق a عبور می کنند سیگموئید فعال سازی، در حالی که کانال سیگما از طریق a عبور می کند ReLU فعال سازی، قبل از پردازش بیشتر و کاهش به یک تانسور شکل (batch_size, img_height, img_width, rgb_channels)
، و دو تانسور شکل (batch_size, img_height, img_width, depth_channel)
و (batch_size, img_height, img_width, accuracy)
.
برای سهولت در این فرآیند، می توانیم از nerf_render_image_and_depth_tf()
تابع از volumetric_utils
، که مدل را برای پیشبینی RGB و سیگما از ورودیها میپذیرد و دستهای از تصاویر، نقشههای عمق و نقشههای دقت را برمیگرداند:
import matplotlib.pyplot as plt
from deepvision.models.volumetric.volumetric_utils import nerf_render_image_and_depth_tf for batch in train_ds.take(5): (images, rays) = batch (rays_flat, t_vals) = rays image_batch, depth_maps, _ = nerf_render_image_and_depth_tf(model=model, rays_flat=rays_flat, t_vals=t_vals, img_height=config['img_height'], img_width=config['img_width'], num_ray_samples=config['num_ray_samples']) fig, ax = plt.subplots(1, 2) ax[0].imshow(tf.squeeze(image_batch[0])) ax[1].imshow(tf.squeeze(depth_maps[0]))
در اینجا، ما 5 دسته (هر کدام با یک تصویر) و نقشه های عمق آنها را ترسیم می کنیم.
در طول آموزش، مدل به خودی خود متکی است nerf_render_image_and_depth_tf()
تابع تبدیل پیش بینی ها به تصاویر و محاسبه میانگین مربعات خطا و PSNR برای نتایج. اجرای این کد نتیجه می دهد:
نتیجه
در این راهنما – ما برخی از عناصر کلیدی میدانهای تابشی عصبی را به عنوان مقدمهای کوتاه بر این موضوع خلاصه کردهایم و سپس مجموعه دادههای TinyNeRF را در TensorFlow بارگیری و آماده کردیم. tf.data
و آموزش یک مدل NeRF با اکوسیستم Keras و DeepVision.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://stackabuse.com/training-a-neural-radiance-field-nerf-model-with-keras-tensorflow-and-deepvision/
- 1
- 100
- 1984
- 2020
- 3d
- 7
- 84
- 9
- a
- قادر
- درباره ما
- کاملا
- قبول می کند
- دقت
- به درستی
- دستیابی به
- در میان
- فعال سازی
- واقعا
- پیش
- اهداف
- هوشیار
- معرفی
- اجازه می دهد تا
- در کنار
- شگفت انگیز
- مقدار
- و
- API
- برنامه های کاربردی
- روش
- رویکردها
- محدوده
- استدلال
- هنر
- مرتبط است
- اتوماتیک
- در دسترس
- بخش مدیریت
- سد
- بر هم زدن
- زیرا
- شدن
- قبل از
- بودن
- برکلی
- میان
- تعصب
- بیت
- مرز
- می سازد
- محاسبه
- دوربین
- مورد
- به چالش کشیدن
- کانال
- کانال
- بررسی
- کلاسیک
- واضح
- نزدیک
- رمز
- رنگ
- تجاری
- مشترک
- شرکت
- کامپیوتر
- چشم انداز کامپیوتر
- مفهوم
- نتیجه
- متصل
- شامل
- شامل
- محتوا
- تبدیل
- تبدیل
- تبدیل
- مطابقت دارد
- هزینه
- هزینه
- ایجاد
- ایجاد شده
- ایجاد
- بسیار سخت
- فرهنگی
- داده ها
- مجموعه داده ها
- مقدار
- معامله
- عمق
- دقیق
- مشکل
- هضم
- دیجیتالی شدن
- مستقیم
- جهت
- مستقیما
- دوبله شده
- هر
- آسان تر
- اکوسیستم
- اکوسیستم
- آموزش
- اثر
- عناصر
- پشت سر هم
- کافی
- ورود
- دوره
- خطا
- ماهیت
- هر
- مثال
- گران
- بررسی
- منصفانه
- روش
- وفاداری
- رشته
- زمینه
- پرونده
- نهایی
- پایان
- نام خانوادگی
- در حال جریان
- تمرکز
- به دنبال
- فرم
- یافت
- چارچوب
- فرکانس
- از جانب
- کاملا
- تابع
- توابع
- بیشتر
- تولید
- مولد
- دریافت کنید
- رفتن
- GitHub
- داده
- Go
- خوب
- گوگل
- GPU
- گرافیک
- بزرگ
- توری
- راهنمایی
- دسته
- دست
- سخت افزار
- کمک
- اینجا کلیک نمایید
- میراث
- زیاد
- فرکانس بالا
- در سطح بالا
- عملکرد بالا
- بالاتر
- تاریخ
- در تردید بودن
- چگونه
- چگونه
- HTTPS
- انسان
- ICON
- ایده ها
- یکسان
- تصویر
- تصاویر
- پیاده سازی
- بهبود
- ارتقاء
- بهبود
- in
- شامل
- مشمول
- افزایش
- ورودی
- نصب
- در عوض
- علاقه مند
- معرفی
- حسی
- IT
- تکرار
- خود
- کراس
- کلید
- شناخته شده
- بزرگ
- بزرگتر
- لایه
- لایه
- یادگیری
- طول
- LG
- کتابخانه
- سبک
- میدان های نور
- کوچک
- بارکننده
- بارگیری
- محلی
- دیگر
- نگاه کنيد
- خاموش
- تلفات
- دستگاه
- ماشین آلات
- اصلی
- ساخت
- ساخت
- بسیاری
- نقشه
- نقشه ها
- مصالح
- ماتپلوتلب
- بیشترین
- معنی
- حافظه
- متاداده
- روش
- روش
- متری
- متریک
- گم
- مدل
- مدل
- لحظه
- بیش
- اکثر
- چندگانه
- نزدیک شدن
- نیاز
- نرگس
- شبکه
- شبکه
- شبکه های عصبی
- جدید
- سر و صدا
- رمان
- عدد
- متعدد
- بی حس
- کارت گرافیک Nvidia
- اشیاء
- به دست آمده
- پیشنهادات
- رسمی
- رسما
- ONE
- بهینه سازی
- سفارش
- اصلی
- دیگران
- مقاله
- اوراق
- پارامترهای
- گذشت
- گذشته
- اوج
- انجام
- کارایی
- انجام
- فاز
- خط لوله
- پیکسل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- نقطه
- به شمار
- موقعیت
- موقعیت یابی شده
- موقعیت
- قدرت
- قوی
- عملی
- پیش بینی
- پیش بینی
- آماده
- در حال حاضر
- در درجه اول
- شاید
- مشکل
- روند
- فرآوری شده
- ساخته
- پروژه
- پیش بینی
- طرح
- پیشنهاد شده
- فراهم می کند
- مارماهی
- کیفیت
- نرخ
- نسبت
- اشعه
- RE
- رسیدن به
- به رسمیت شناختن
- کاهش
- منظم
- آزاد
- منتشر شد
- تفسیر
- گزارش ها
- نشان دادن
- نمایندگی
- نشان دهنده
- درخواست
- مورد نیاز
- نیاز
- تحقیق
- وضوح
- نتایج
- بازده
- RGB
- حلقه
- تقریبا
- دویدن
- در حال اجرا
- سعید
- صحنه
- صحنه های
- بخش
- تنظیم
- مجموعه
- برپایی
- سایه
- شکل
- اشکال
- نمایشگاه
- سیگما
- سیگنال
- به طور قابل توجهی
- مشابه
- ساده
- ساده شده
- پس از
- تنها
- سایت
- کند
- کوچک
- کوچکتر
- راه حل
- حل
- حل کردن
- برخی از
- تاحدی
- فضا
- متخصص
- مربع
- Stackabuse
- استانداردهای
- دولت
- هنوز
- توقف
- طوفان
- موضوع
- متعاقب
- متعاقبا
- موفق
- چنین
- عرضه شده است
- SVG
- مصنوعی
- گرفتن
- طول می کشد
- تکنیک
- جریان تنسور
- تست
- La
- جهان
- شان
- در آن
- تتا
- چیز
- از طریق
- زمان
- به
- جمع
- طرف
- تجارت
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- انتقال
- درست
- به طور معمول
- زیر
- اساسی
- فهمیدن
- غیر شهودی
- واحد
- URL
- us
- استفاده کنید
- اعتبار سنجی
- ارزشها
- مختلف
- Ve
- تصویری
- چشم انداز
- نمایش ها
- دید
- وکسل
- وزن
- که
- در حین
- ویکیپدیا
- اراده
- بدون
- مهاجرت کاری
- با این نسخهها کار
- جهان
- X
- بازده
- شما
- یوتیوب
- زفیرنت