Google I/O is a wrap! Catch up on TensorFlow sessions View sessions

با استناد به TensorFlow

TensorFlow یک DOI برای پایه کد منبع باز با استفاده از Zenodo.org منتشر می کند: 10.5281/zenodo.4724125

مقالات سفید TensorFlow برای استناد در زیر فهرست شده است.

یادگیری ماشینی در مقیاس بزرگ در سیستم های توزیع شده ناهمگن

به این کاغذ سفید دسترسی پیدا کنید.

چکیده: TensorFlow رابطی برای بیان الگوریتم های یادگیری ماشین و پیاده سازی برای اجرای چنین الگوریتم هایی است. یک محاسبات بیان شده با استفاده از TensorFlow را می توان با تغییر کم یا بدون تغییر در طیف گسترده ای از سیستم های ناهمگن، از دستگاه های تلفن همراه مانند تلفن ها و تبلت ها تا سیستم های توزیع شده در مقیاس بزرگ از صدها ماشین و هزاران دستگاه محاسباتی مانند کارت های GPU اجرا کرد. . این سیستم انعطاف‌پذیر است و می‌تواند برای بیان طیف گسترده‌ای از الگوریتم‌ها، از جمله الگوریتم‌های آموزش و استنتاج برای مدل‌های شبکه عصبی عمیق استفاده شود، و برای انجام تحقیقات و برای استقرار سیستم‌های یادگیری ماشین در تولید در بیش از ده‌ها حوزه استفاده شده است. علوم کامپیوتر و سایر زمینه ها، از جمله تشخیص گفتار، بینایی کامپیوتر، روباتیک، بازیابی اطلاعات، پردازش زبان طبیعی، استخراج اطلاعات جغرافیایی، و کشف محاسباتی دارو. این مقاله رابط TensorFlow و پیاده‌سازی آن رابطی را که در گوگل ساخته‌ایم توصیف می‌کند. TensorFlow API و یک پیاده سازی مرجع به عنوان یک بسته منبع باز تحت مجوز Apache 2.0 در نوامبر 2015 منتشر شد و در www.tensorflow.org در دسترس است.

در قالب BibTeX

اگر از TensorFlow در تحقیقات خود استفاده می کنید و می خواهید سیستم TensorFlow را استناد کنید، پیشنهاد می کنیم به این وایت پیپر استناد کنید.

@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},
}

یا به صورت متنی:

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: سیستمی برای یادگیری ماشینی در مقیاس بزرگ

به این کاغذ سفید دسترسی پیدا کنید.

چکیده: TensorFlow یک سیستم یادگیری ماشینی است که در مقیاس بزرگ و در محیط های ناهمگن عمل می کند. TensorFlow از نمودارهای جریان داده برای نشان دادن محاسبات، وضعیت مشترک و عملیاتی که آن حالت را تغییر می دهند، استفاده می کند. این گره‌های یک نمودار جریان داده را در بسیاری از ماشین‌ها در یک خوشه، و در داخل یک ماشین از طریق چندین دستگاه محاسباتی، از جمله CPUهای چند هسته‌ای، GPUهای عمومی و ASICهای سفارشی طراحی شده به نام واحدهای پردازش تنسور (TPU) نگاشت می‌کند. این معماری به توسعه‌دهنده برنامه انعطاف‌پذیری می‌دهد: در حالی که در طراحی‌های قبلی «سرور پارامتر» مدیریت وضعیت اشتراک‌گذاری شده در سیستم تعبیه شده است، TensorFlow توسعه‌دهندگان را قادر می‌سازد تا با بهینه‌سازی‌های جدید و الگوریتم‌های آموزشی آزمایش کنند. TensorFlow از برنامه های کاربردی مختلفی با تمرکز بر آموزش و استنتاج در شبکه های عصبی عمیق پشتیبانی می کند. چندین سرویس Google از TensorFlow در تولید استفاده می کنند، ما آن را به عنوان یک پروژه منبع باز منتشر کرده ایم و به طور گسترده برای تحقیقات یادگیری ماشین استفاده می شود. در این مقاله، مدل جریان داده TensorFlow را توصیف می کنیم و عملکرد قانع کننده ای را که TensorFlow برای چندین برنامه در دنیای واقعی به دست می آورد، نشان می دهیم.