Funcionalidades adicionais do TensorFlow, mantidas por 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)
A SIG Addons do TensorFlow é um repositório de contribuições da comunidade que está em conformidade com padrões de API bem estabelecidos e implementa novas funcionalidades que não estão disponíveis no TensorFlow principal.
O TensorFlow tem compatibilidade nativa com um grande número de operadores, camadas, métricas, perdas, otimizadores e muito mais. No entanto, em um campo dinâmico como o do ML, há muitos novos desenvolvimentos que não podem ser integrados ao TensorFlow principal, porque sua grande aplicabilidade ainda não está clara, ou é usada principalmente por um subconjunto menor da comunidade.