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 Core 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).