Google is committed to advancing racial equity for Black communities. See how.
Cette page a été traduite par l'API Cloud Translation.
Switch to English

Livres blancs TensorFlow

Ce document identifie les livres blancs sur TensorFlow.

Apprentissage automatique à grande échelle sur des systèmes distribués hétérogènes

Accédez à ce livre blanc.

Résumé: TensorFlow est une interface pour exprimer des algorithmes d'apprentissage automatique et une implémentation pour exécuter de tels algorithmes. Un calcul exprimé à l'aide de TensorFlow peut être exécuté avec peu ou pas de changement sur une grande variété de systèmes hétérogènes, allant des appareils mobiles tels que les téléphones et les tablettes aux systèmes distribués à grande échelle de centaines de machines et de milliers d'appareils de calcul tels que les cartes GPU. . Le système est flexible et peut être utilisé pour exprimer une grande variété d'algorithmes, y compris des algorithmes de formation et d'inférence pour des modèles de réseaux neuronaux profonds, et il a été utilisé pour mener des recherches et pour déployer des systèmes d'apprentissage automatique en production dans plus d'une douzaine de domaines. l'informatique et d'autres domaines, y compris la reconnaissance vocale, la vision par ordinateur, la robotique, la recherche d'informations, le traitement du langage naturel, l'extraction d'informations géographiques et la découverte informatique de médicaments. Cet article décrit l'interface TensorFlow et une implémentation de cette interface que nous avons créée chez Google. L'API TensorFlow et une implémentation de référence ont été publiées sous forme de package open source sous la licence Apache 2.0 en novembre 2015 et sont disponibles sur www.tensorflow.org.

Au format BibTeX

Si vous utilisez TensorFlow dans vos recherches et que vous souhaitez citer le système TensorFlow, nous vous suggérons de citer ce livre blanc.

@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},
}

Ou sous forme textuelle:

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 système d'apprentissage automatique à grande échelle

Accédez à ce livre blanc.

Résumé: TensorFlow est un système d'apprentissage automatique qui fonctionne à grande échelle et dans des environnements hétérogènes. TensorFlow utilise des graphiques de flux de données pour représenter le calcul, l'état partagé et les opérations qui modifient cet état. Il mappe les nœuds d'un graphique de flux de données sur de nombreuses machines dans un cluster, et au sein d'une machine sur plusieurs périphériques de calcul, y compris des processeurs multicœurs, des GPU à usage général et des ASIC personnalisés appelés unités de traitement Tensor (TPU). Cette architecture donne de la flexibilité au développeur d'applications: alors que dans les précédentes conceptions de «serveur de paramètres», la gestion de l'état partagé est intégrée au système, TensorFlow permet aux développeurs d'expérimenter de nouvelles optimisations et des algorithmes d'apprentissage. TensorFlow prend en charge une variété d'applications, en mettant l'accent sur la formation et l'inférence sur les réseaux de neurones profonds. Plusieurs services Google utilisent TensorFlow en production, nous l'avons publié en tant que projet open-source et il est devenu largement utilisé pour la recherche sur l'apprentissage automatique. Dans cet article, nous décrivons le modèle de flux de données TensorFlow et démontrons les performances convaincantes que TensorFlow atteint pour plusieurs applications du monde réel.