Facebook正在缓解3D深度学习的麻烦，一次解决一个问题。去年它发布了Mesh R-CNN，该系统可以从2D形状渲染3D对象。今年它发布了PyTorch3D。
https://pytorch3d.org/
3D深度学习一直是一个尚未开发的领域。有两个因素定义了其不足的区域：
- 正确的工具和资源的短缺阻碍了3D学习的研究
- 随着计算和存储需求的增长，3D数据输入变得越来越复杂。常规方法无法提供适当的解决方案。
PyTorch3D解决了以上两个不足。它是一个优化的高度模块化的库。
用GitHub的话来说：
“ PyTorch3D通过PyTorch为3D计算机视觉研究提供了有效，可重复使用的组件。”
与传统方法相比，使用PyTorch3D进行3D深度学习要容易得多，而且速度更快，许多AI创新者和研究人员都在支持它。
特征：
PyTorch3D结合了3D对象和深度学习。
它可以执行3D重建，3D推理和包调整。
其主要功能包括：
- 用于存储和操作三角形网格的数据结构
- 三角形网格上的出色性能（投影变换，采样，图卷积和损失函数）
- 差异化的网格渲染器
Facebook AI Research（FAIR）工程师Nikhila Ravi指出了该库的好处：“借助PyTorch3D，研究人员可以输入所有这些功能，并将其与PyTorch中现有的深度学习系统一起使用。它极大地减少了进行3D计划研究所需的时间，这需要大量的专业知识才能开始，希望尝试减少这种准备时间。”
运作：
PyTorch3D旨在与深度学习方法完美融合。
PyTorch3D中的所有运算符：
- 使用PyTorch张量
- 可以使用GPU来提高速度
- 可以处理异构数据的小批量
- 可以区分
PyTorch3D可以使用启用面和顶点互操作性的网格来构成3D对象。它还可以使用面片张量来批量分解网格的顶点。
它的功能有助于处理3D变换和旋转，并有助于C3DPO的开发，这是一种从训练数据中学习3D形状与图像之间的关联的新方法。
安装：
将PyTorch3D与GPU支持一起使用以获取所有功能。
要安装，请运行：
要在PyTorch3D之上进行开发或做出贡献，将需要运行linter和测试。
对于文档教程，将需要matplotlib。
要安装matplotlib和黑色，scikit图像，flake8，tdqm，isort，jupyter，plotly和imageio，请运行：
输出：
人工智能爱好者一直在发布PyTorch3D的出色输出。
未来：
PyTorch3D的引入是AI研究的一项突破，并将为许多发现铺平道路。
它还将帮助解决AI挑战，例如使自动驾驶汽车了解周围物体的位置或机器人抓地力。
