Zusätzliche Funktionalität für TensorFlow, verwaltet von SIG-Addons.
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 ist ein Repository von Forenbeiträgen, die gut etablierte API-Muster entsprechen, aber neue Funktionalität implementieren in Kern TensorFlow nicht zur Verfügung.
TensorFlow nativ unterstützt eine große Anzahl von Betreibern, Schichten, Metriken, Verluste, Optimizern und vieles mehr. Doch in einem sich schnell bewegenden Feld wie ML, gibt es viele interessante neue Entwicklungen, die nicht in den Kern TensorFlow integriert werden kann (weil ihre breite Anwendbarkeit ist noch nicht klar, oder es wird vor allem durch eine kleinere Teilmenge der Gemeinschaft verwendet wird).