Dodatkowa funkcjonalność dla TensorFlow, obsługiwana przez dodatki SIG.
import tensorflow as tf
import tensorflow_addons as tfa
train,test = tf.keras.datasets.mnist.load_data()
x_train, y_train = train
x_train = x_train[..., tf.newaxis] / 255.0
# TFA layers and activations
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(filters=10, kernel_size=(3,3),
activation=tfa.activations.gelu),
tfa.layers.GroupNormalization(groups=5, axis=3),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(10, activation='softmax')
])
# TFA optimizers, losses and metrics
model.compile(
optimizer=tfa.optimizers.RectifiedAdam(0.001),
loss=tfa.losses.TripletSemiHardLoss(),
metrics=[tfa.metrics.MultiLabelConfusionMatrix(num_classes=10)])
history = model.fit(x_train, y_train, epochs=10)
TensorFlow SIG Addons to repozytorium wkładów społeczności, które są zgodne z ugruntowanymi wzorcami API, ale implementują nowe funkcje niedostępne w rdzeniu TensorFlow.
TensorFlow natywnie obsługuje dużą liczbę operatorów, warstw, metryk, strat, optymalizatorów i nie tylko. Jednak w szybko zmieniającej się dziedzinie, takiej jak ML, istnieje wiele interesujących nowych rozwiązań, których nie można zintegrować z podstawowym TensorFlow (ponieważ ich szerokie zastosowanie nie jest jeszcze jasne lub jest używane głównie przez mniejszą podgrupę społeczności).