با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

قابلیت اضافی برای TensorFlow که توسط SIG-Addons حفظ می شود.

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 مخزنی از مشارکت های جامعه است که با الگوهای API به خوبی تثبیت شده مطابقت دارد، اما عملکرد جدیدی را اجرا می کند که در هسته TensorFlow موجود نیست.

TensorFlow به صورت بومی از تعداد زیادی عملگر، لایه ها، معیارها، ضررها، بهینه سازها و موارد دیگر پشتیبانی می کند. با این حال، در زمینه‌ای در حال حرکت سریع مانند ML، بسیاری از پیشرفت‌های جالب جدید وجود دارد که نمی‌توان آنها را در هسته TensorFlow ادغام کرد (زیرا کاربرد گسترده آنها هنوز مشخص نیست، یا بیشتر توسط زیرمجموعه کوچک‌تری از جامعه استفاده می‌شود).