TensorFlow veröffentlicht einen DOI für die Open-Source-Codebasis unter Verwendung von Zenodo.org: 10.5281 / zenodo.4724125
Die Whitepaper von TensorFlow sind unten 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 mit wenig oder keiner Änderung 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.