وظائف إضافية لـ TensorFlow ، يتم صيانتها بواسطة إضافات 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 هو مستودع لمساهمات المجتمع التي تتوافق مع أنماط API الراسخة ، ولكنها تنفذ وظائف جديدة غير متوفرة في TensorFlow الأساسي.
يدعم TensorFlow في الأصل عددًا كبيرًا من المشغلين والطبقات والمقاييس والخسائر والمحسّنين وغير ذلك. ومع ذلك ، في مجال سريع الحركة مثل ML ، هناك العديد من التطورات الجديدة المثيرة للاهتمام التي لا يمكن دمجها في TensorFlow الأساسي (لأن قابلية تطبيقها الواسعة ليست واضحة بعد ، أو أنها تستخدم في الغالب من قبل مجموعة فرعية أصغر من المجتمع).