Masa Depan Add-on TensorFlow
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 Addons (TFA) adalah repositori ekstensi yang dikelola dan dikontribusikan oleh komunitas untuk TensorFlow, pertama kali dibuat pada tahun 2018 dan dikelola oleh komunitas SIG-Addons . Selama 4 tahun, 200 kontributor telah membangun repositori TFA menjadi kesuksesan yang dimiliki dan dikelola komunitas yang digunakan oleh lebih dari 8.000 repositori github menurut grafik ketergantungan kami. Kami ingin meluangkan waktu untuk mengucapkan terima kasih yang tulus kepada semua orang yang terlibat sebagai kontributor atau anggota komunitas atas upaya mereka.
Baru-baru ini, terdapat peningkatan tumpang tindih dalam kontribusi dan cakupan antara TFA dan perpustakaan Keras-CV , dan Keras-NLP . Untuk mencegah tumpang tindih di masa mendatang, kami yakin bahwa add-on baru dan yang sudah ada pada TensorFlow akan paling baik dipertahankan di repositori proyek Keras, jika memungkinkan.
Keputusan untuk Menghentikan Addons TensorFlow
Kami yakin bahwa komunitas TensorFlow perlu melakukan konsolidasi agar ekstensi TensorFlow dapat dimanfaatkan, dipelihara, dan dikontribusikan. Oleh karena itu, sangat disayangkan kami mengumumkan rencana kami untuk memindahkan TensorFlow Addons ke mode pemeliharaan dan rilis minimal.
TFA SIG Addons akan mengakhiri pengembangan dan pengenalan fitur baru pada proyek ini. TFA akan bertransisi ke mode pemeliharaan dan rilis minimal selama satu tahun (hingga Mei 2024) guna memberikan waktu yang tepat bagi Anda untuk menyesuaikan dependensi apa pun ke repositori yang tumpang tindih di komunitas TensorFlow kami ( Keras , Keras-CV , dan Keras-NLP ). Kedepannya, mohon pertimbangkan untuk berkontribusi pada proyek Keras-CV dan Keras-NLP.
Latar belakang:
Proposal RFC asli untuk TFA tertanggal 14-12-2018 dengan tujuan untuk membangun repositori yang dikelola komunitas untuk kontribusi yang sesuai dengan pola API yang sudah ada, tetapi menerapkan fungsi baru yang tidak tersedia di TensorFlow inti seperti yang didefinisikan dalam Grup Minat Khusus kami (SIG) piagam .
Seiring berjalannya waktu, repositori baru dengan komunitas kontributor yang sehat (Keras-CV, Keras-NLP, dll.) telah dibuat dengan tujuan yang sama dengan kami dan kriteria penerimaan kontribusi tumpang tindih secara signifikan (misalnya jumlah kutipan yang diperlukan). Selain itu, sejak Keras memisahkan diri dari TensorFlow inti pada tahun 2020 , hambatan terhadap kontribusi komunitas telah diturunkan secara signifikan.
Dapat dimengerti bahwa terdapat semakin banyak ketidakpastian mengenai di mana kontribusi harus diberikan dan di mana kontribusi tersebut sebaiknya dipertahankan. Banyak fitur yang tersedia di TFA juga tersedia secara bersamaan di repositori Komunitas TensorFlow lainnya. Sebagai beberapa contoh saja:
Sebagai bagian dari RFC asli, Grup Minat Khusus kami setuju untuk memigrasikan kode dari repositori tf.contrib dan keras.contrib . Dengan melakukan hal ini, TFA mewarisi operasi kustom C++, yang menjadikan TFA tempat unik di komunitas TensorFlow untuk menyumbangkan operasi kustom C++ untuk dibuat dan didistribusikan. Namun, kami baru-baru ini memigrasikan sebagian besar infrastruktur tersebut ke Keras-CV sehingga mereka dapat mengkompilasi dan mendistribusikan operasi khusus sesuai keinginan mereka.
Apa Selanjutnya:
- Rilis pemeliharaan akan berlanjut selama 1 tahun (hingga Mei 2024).
- Peringatan impor dalam rilis TFA 0,20.
- Informasi ini juga dipublikasikan pada masalah pelacakan GitHub
- Inventaris fungsionalitas setara tersedia di sini .