Zusätzliche Funktionalität für TensorFlow, die von SIG-Addons verwaltet wird.
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 mit Community-Beiträgen, die gut etablierten API-Mustern entsprechen, jedoch neue Funktionen implementieren, die in TensorFlow nicht verfügbar sind.
TensorFlow unterstützt nativ eine große Anzahl von Operatoren, Ebenen, Metriken, Verlusten, Optimierern und mehr. In einem sich schnell bewegenden Bereich wie ML gibt es jedoch viele interessante neue Entwicklungen, die nicht in den Kern von TensorFlow integriert werden können (da ihre breite Anwendbarkeit noch nicht klar ist oder meistens von einer kleineren Teilmenge der Community verwendet wird).