TensorFlow publica un DOI para la base de código de fuente abierta usando Zenodo.org: 10.5281/zenodo.4724125
Los documentos técnicos de TensorFlow se enumeran a continuación para su cita.
Aprendizaje automático a gran escala en sistemas distribuidos heterogéneos
Resumen: TensorFlow es una interfaz para expresar algoritmos de aprendizaje automático y una implementación para ejecutar dichos algoritmos. Un cómputo expresado con TensorFlow se puede ejecutar con poco o ningún cambio en una amplia variedad de sistemas heterogéneos, desde dispositivos móviles como teléfonos y tabletas hasta sistemas distribuidos a gran escala de cientos de máquinas y miles de dispositivos computacionales como tarjetas GPU. . El sistema es flexible y se puede usar para expresar una amplia variedad de algoritmos, incluidos algoritmos de entrenamiento e inferencia para modelos de redes neuronales profundas, y se ha usado para realizar investigaciones y para implementar sistemas de aprendizaje automático en producción en más de una docena de áreas de ciencias de la computación y otros campos, incluidos el reconocimiento de voz, la visión por computadora, la robótica, la recuperación de información, el procesamiento del lenguaje natural, la extracción de información geográfica y el descubrimiento computacional de fármacos. Este documento describe la interfaz de TensorFlow y una implementación de esa interfaz que hemos creado en Google. La API de TensorFlow y una implementación de referencia se lanzaron como un paquete de código abierto bajo la licencia Apache 2.0 en noviembre de 2015 y están disponibles en www.tensorflow.org.
En formato BibTeX
Si usa TensorFlow en su investigación y desea citar el sistema TensorFlow, le sugerimos que cite este documento técnico.
@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},
}
O en forma textual:
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: un sistema para el aprendizaje automático a gran escala
Resumen: TensorFlow es un sistema de aprendizaje automático que opera a gran escala y en entornos heterogéneos. TensorFlow usa gráficos de flujo de datos para representar el cálculo, el estado compartido y las operaciones que mutan ese estado. Mapea los nodos de un gráfico de flujo de datos en muchas máquinas en un clúster y dentro de una máquina en múltiples dispositivos computacionales, incluidas CPU multinúcleo, GPU de propósito general y ASIC de diseño personalizado conocidas como unidades de procesamiento de tensor (TPU). Esta arquitectura brinda flexibilidad al desarrollador de aplicaciones: mientras que en los diseños anteriores de "servidor de parámetros" la gestión del estado compartido está integrada en el sistema, TensorFlow permite a los desarrolladores experimentar con optimizaciones novedosas y algoritmos de entrenamiento. TensorFlow admite una variedad de aplicaciones, con un enfoque en el entrenamiento y la inferencia en redes neuronales profundas. Varios servicios de Google usan TensorFlow en producción, lo hemos lanzado como un proyecto de código abierto y se ha vuelto ampliamente utilizado para la investigación de aprendizaje automático. En este documento, describimos el modelo de flujo de datos de TensorFlow y demostramos el rendimiento convincente que logra TensorFlow para varias aplicaciones del mundo real.