Des fonctionnalités en plus pour TensorFlow, gérées par le 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 Addons est un dépôt de contributions de la communauté qui se conforment à des modèles d'API bien établis, mais mettent en œuvre de nouvelles fonctionnalités non disponibles dans la version de base de TensorFlow.

TensorFlow est nativement compatible avec un grand nombre d'opérateurs, de couches, de métriques, de pertes, d'optimiseurs et plus encore. Dans un domaine évoluant aussi rapidement que le ML, de nombreux nouveaux développements intéressants ne peuvent pas être intégrés à la version de base de TensorFlow, car leur applicabilité générale n'est pas encore clairement établie ou leur utilisation reste finalement limitée à un petit sous-ensemble de la communauté.