Funcionalidad adicional para TensorFlow, mantenida por los complementos de 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)

Los complementos de SIG de TensorFlow son un repositorio de contribuciones de la comunidad que se ajustan a patrones de API bien establecidos, pero implementan funcionalidades nuevas que no están disponibles en el TensorFlow principal.

TensorFlow es compatible de manera nativa con una gran cantidad de operadores, capas, métricas, pérdidas, optimizadores y más. Sin embargo, en un campo dinámico, como el AA, hay muchos desarrollos nuevos interesantes que no se pueden integrar en el TensorFlow principal (porque su aplicación general aún no es clara o es utilizada principalmente por un subconjunto más pequeño de la comunidad).