Google setzt sich dafür ein, die Rassengerechtigkeit für schwarze Gemeinschaften zu fördern. Siehe wie.
Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

TensorFlow White Papers

In diesem Dokument werden White Papers zu TensorFlow aufgeführt.

Maschinelles Lernen in großem Maßstab auf heterogenen verteilten Systemen

Greifen Sie auf dieses Whitepaper zu.

Abstract: TensorFlow ist eine Schnittstelle zum Ausdrücken von Algorithmen für maschinelles Lernen und eine Implementierung zum Ausführen solcher Algorithmen. Eine mit TensorFlow ausgedrückte Berechnung kann ohne oder mit nur geringen Änderungen auf einer Vielzahl heterogener Systeme ausgeführt werden, von mobilen Geräten wie Telefonen und Tablets bis hin zu verteilten Großsystemen mit Hunderten von Maschinen und Tausenden von Rechengeräten wie GPU-Karten . Das System ist flexibel und kann verwendet werden, um eine Vielzahl von Algorithmen auszudrücken, einschließlich Trainings- und Inferenzalgorithmen für tiefe neuronale Netzwerkmodelle. Es wurde zur Durchführung von Forschungsarbeiten und zum Einsatz maschineller Lernsysteme in der Produktion in mehr als einem Dutzend Bereichen von verwendet Informatik und andere Bereiche, einschließlich Spracherkennung, Computer Vision, Robotik, Informationsabruf, Verarbeitung natürlicher Sprache, Extraktion geografischer Informationen und rechnergestützte Wirkstoffentdeckung. In diesem Dokument werden die TensorFlow-Oberfläche und eine Implementierung dieser Schnittstelle beschrieben, die wir bei Google erstellt haben. Die TensorFlow-API und eine Referenzimplementierung wurden im November 2015 als Open-Source-Paket unter der Apache 2.0-Lizenz veröffentlicht und sind unter www.tensorflow.org verfügbar.

Im BibTeX-Format

Wenn Sie TensorFlow in Ihrer Forschung verwenden und das TensorFlow-System zitieren möchten, empfehlen wir Ihnen, dieses Whitepaper zu zitieren.

@misc{tensorflow2015-whitepaper,
title={ {TensorFlow}: Large-Scale Machine Learning on Heterogeneous Systems},
url={https://www.tensorflow.org/},
note={Software available from tensorflow.org},
author={
    Mart\'{\i}n~Abadi and
    Ashish~Agarwal and
    Paul~Barham and
    Eugene~Brevdo and
    Zhifeng~Chen and
    Craig~Citro and
    Greg~S.~Corrado and
    Andy~Davis and
    Jeffrey~Dean and
    Matthieu~Devin and
    Sanjay~Ghemawat and
    Ian~Goodfellow and
    Andrew~Harp and
    Geoffrey~Irving and
    Michael~Isard and
    Yangqing Jia and
    Rafal~Jozefowicz and
    Lukasz~Kaiser and
    Manjunath~Kudlur and
    Josh~Levenberg and
    Dandelion~Man\'{e} and
    Rajat~Monga and
    Sherry~Moore and
    Derek~Murray and
    Chris~Olah and
    Mike~Schuster and
    Jonathon~Shlens and
    Benoit~Steiner and
    Ilya~Sutskever and
    Kunal~Talwar and
    Paul~Tucker and
    Vincent~Vanhoucke and
    Vijay~Vasudevan and
    Fernanda~Vi\'{e}gas and
    Oriol~Vinyals and
    Pete~Warden and
    Martin~Wattenberg and
    Martin~Wicke and
    Yuan~Yu and
    Xiaoqiang~Zheng},
  year={2015},
}

Oder in Textform:

Martín Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo,
Zhifeng Chen, Craig Citro, Greg S. Corrado, Andy Davis,
Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow,
Andrew Harp, Geoffrey Irving, Michael Isard, Rafal Jozefowicz, Yangqing Jia,
Lukasz Kaiser, Manjunath Kudlur, Josh Levenberg, Dan Mané, Mike Schuster,
Rajat Monga, Sherry Moore, Derek Murray, Chris Olah, Jonathon Shlens,
Benoit Steiner, Ilya Sutskever, Kunal Talwar, Paul Tucker,
Vincent Vanhoucke, Vijay Vasudevan, Fernanda Viégas,
Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke,
Yuan Yu, and Xiaoqiang Zheng.
TensorFlow: Large-scale machine learning on heterogeneous systems,
2015. Software available from tensorflow.org.

TensorFlow: Ein System für maschinelles Lernen in großem Maßstab

Greifen Sie auf dieses Whitepaper zu.

Zusammenfassung: TensorFlow ist ein maschinelles Lernsystem, das in großem Maßstab und in heterogenen Umgebungen arbeitet. TensorFlow verwendet Datenflussdiagramme, um die Berechnung, den gemeinsam genutzten Status und die Operationen darzustellen, die diesen Status mutieren. Es ordnet die Knoten eines Datenflussdiagramms auf vielen Computern in einem Cluster und innerhalb eines Computers auf mehreren Rechengeräten zu, einschließlich Multicore-CPUs, Allzweck-GPUs und benutzerdefinierten ASICs, die als Tensor Processing Units (TPUs) bezeichnet werden. Diese Architektur bietet dem Anwendungsentwickler Flexibilität: Während in früheren „Parameterserver“ -Designs die Verwaltung des gemeinsam genutzten Status in das System integriert ist, können Entwickler mit TensorFlow mit neuartigen Optimierungen und Trainingsalgorithmen experimentieren. TensorFlow unterstützt eine Vielzahl von Anwendungen, wobei der Schwerpunkt auf Training und Inferenz in tiefen neuronalen Netzen liegt. Mehrere Google-Dienste verwenden TensorFlow in der Produktion. Wir haben es als Open-Source-Projekt veröffentlicht und es ist in der Forschung für maschinelles Lernen weit verbreitet. In diesem Dokument beschreiben wir das TensorFlow-Datenflussmodell und demonstrieren die überzeugende Leistung, die TensorFlow für verschiedene reale Anwendungen erzielt.