Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Dodatkową funkcjonalność dla TensorFlow, utrzymywane przez 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 Programy powiązane jest repozytorium składek społecznych, które są zgodne z ugruntowanych wzorców API, ale wdrażanie nowych funkcjonalności niedostępne w podstawowej TensorFlow.

TensorFlow natywnie obsługuje dużą liczbę podmiotów, warstw danych, straty, optymalizujące i więcej. Jednak w szybko poruszającym się dziedzinie jak ML, istnieje wiele interesujących nowych rozwiązań, które nie mogą być zintegrowane z rdzeniem TensorFlow (ponieważ ich szerokie zastosowanie nie jest jeszcze jasne, czy jest on stosowany głównie przez mniejszy podzbiór społeczności).