Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.

SIG eklentileri tarafından sağlanan TensorFlow için ekstra işlevsellik.

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 Eklentileri, köklü API modellerine uyan, ancak çekirdek TensorFlow'da bulunmayan yeni işlevleri uygulayan topluluk katkılarının bir deposudur.

TensorFlow, çok sayıda operatörü, katmanı, ölçümü, kayıpları, optimize edicileri ve daha fazlasını yerel olarak destekler. Bununla birlikte, makine öğrenimi gibi hızlı hareket eden bir alanda, çekirdek TensorFlow'a entegre edilemeyen birçok ilginç yeni gelişme var (çünkü bunların geniş uygulanabilirlikleri henüz net değil veya çoğunlukla topluluğun daha küçük bir alt kümesi tarafından kullanılıyor).