Google متعهد به پیشبرد برابری نژادی برای جوامع سیاه است. ببینید چگونه.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

مقالات سفید TensorFlow

این سند مقالات سفید مربوط به TensorFlow را مشخص می کند.

یادگیری ماشین با مقیاس بزرگ در سیستم های توزیع ناهمگن

به این کاغذ سفید دسترسی پیدا کنید.

چکیده: TensorFlow یک رابط برای بیان الگوریتم یادگیری ماشین و یک پیاده سازی برای اجرای چنین الگوریتمهایی است. محاسباتی که با استفاده از TensorFlow بیان شده است ، می تواند با کمی تغییر یا تغییر در طیف گسترده ای از سیستم های ناهمگن ، اعم از دستگاه های تلفن همراه از جمله تلفن و تبلت تا سیستم های بزرگ توزیع شده صدها دستگاه و هزاران دستگاه محاسباتی مانند کارت های GPU ، اجرا شود. . این سیستم قابل انعطاف است و می تواند برای بیان طیف گسترده ای از الگوریتم ها از جمله آموزش و الگوریتم های استنتاج برای مدل های شبکه اعصاب عمیق مورد استفاده قرار گیرد و از آن برای انجام تحقیقات و استقرار سیستم های یادگیری ماشینی به تولید در بیش از ده ها زمینه استفاده شده است. علوم رایانه و زمینه های دیگر ، از جمله تشخیص گفتار ، بینایی رایانه ، روباتیک ، بازیابی اطلاعات ، پردازش زبان طبیعی ، استخراج اطلاعات جغرافیایی و کشف داروهای محاسباتی. در این مقاله رابط TensorFlow و پیاده سازی آن رابط که در گوگل ساخته ایم شرح می دهد. API TensorFlow و اجرای 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.

با فرمت BibTeX

اگر از TensorFlow در تحقیقات خود استفاده می کنید و مایل به استناد به سیستم TensorFlow هستید ، پیشنهاد می کنیم این وایت پاپ را 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 ماشین با مقیاس بزرگ

به این کاغذ سفید دسترسی پیدا کنید.

چکیده: TensorFlow یک سیستم یادگیری ماشین است که عمل در مقیاس بزرگ و در محیط های ناهمگن است. TensorFlow از نمودارهای dataflow برای نشان دادن محاسبه ، حالت مشترک و عملیاتی که در آن حالت جهش یافته است استفاده می کند. این گره های نمودار نمودار Dataflow را در بین بسیاری از دستگاه ها در یک خوشه نقشه برداری می کند ، و درون یک دستگاه در دستگاه های محاسباتی مختلف از جمله CPU های چند هسته ای ، GPU های هدف کلی و ASIC های طراحی سفارشی معروف به واحدهای پردازش Tensor (TPUs). این معماری انعطاف پذیری را به توسعه دهنده برنامه می دهد: در حالی که در طراحی قبلی "سرور پارامتر" مدیریت حالت مشترک در سیستم ساخته شده است ، TensorFlow توسعه دهندگان را قادر می سازد تا با بهینه سازی های جدید و الگوریتم های آموزش آزمایش کنند. TensorFlow با تمرکز بر آموزش و استنتاج در شبکه های عصبی عمیق ، از برنامه های متنوعی 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 آن را به طور گسترده ای برای تحقیقات یادگیری ماشین استفاده می شود. در این مقاله ، ما مدل داده های 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.