Google berkomitmen untuk memajukan ekuitas ras bagi masyarakat Hitam. Lihat bagaimana.
Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

TensorFlow Putih Papers

Dokumen ini mengidentifikasi kertas putih tentang TensorFlow.

Skala Besar Machine Learning di heterogen Sistem Terdistribusi

Mengakses kertas putih ini.

Abstrak: TensorFlow adalah sebuah antarmuka untuk mengekspresikan belajar mesin algoritma dan implementasi untuk melaksanakan algoritma tersebut. Perhitungan dinyatakan dengan menggunakan TensorFlow dapat dilaksanakan dengan sedikit atau tidak ada perubahan pada berbagai sistem heterogen, mulai dari perangkat mobile seperti ponsel dan tablet hingga sistem berskala besar didistribusikan ratusan mesin dan ribuan perangkat komputasi seperti kartu GPU . Sistem ini fleksibel dan dapat digunakan untuk mengungkapkan berbagai algoritma, termasuk pelatihan dan inferensi algoritma untuk model jaringan dalam saraf, dan telah digunakan untuk melakukan penelitian dan untuk menyebarkan mesin sistem ke dalam produksi belajar di lebih dari selusin bidang ilmu komputer dan bidang lainnya, termasuk pengenalan suara, visi komputer, robotika, pencarian informasi, pengolahan bahasa alami, ekstraksi informasi geografis, dan penemuan obat komputasi. Makalah ini menjelaskan antarmuka TensorFlow dan implementasi antarmuka yang yang kami bangun di Google. The TensorFlow API dan implementasi referensi yang dirilis sebagai paket open-source di bawah lisensi Apache 2.0 pada bulan November 2015 dan tersedia di www.tensorflow.org.

Dalam format BibTeX

Jika Anda menggunakan TensorFlow dalam penelitian Anda dan ingin mengutip sistem TensorFlow, kami sarankan Anda mengutip whitepaper ini.

@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},
}

Atau dalam bentuk tekstual:

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: Sebuah Sistem Skala Besar Machine Learning

Mengakses kertas putih ini.

Abstrak: TensorFlow adalah sistem pembelajaran mesin yang beroperasi pada skala besar dan di lingkungan yang heterogen. TensorFlow menggunakan grafik dataflow untuk mewakili perhitungan, negara bersama, dan operasi yang bermutasi negara itu. Ini peta node dari grafik dataflow di banyak mesin dalam sebuah cluster, dan dalam mesin di beberapa perangkat komputasi, termasuk CPU multicore, GPU tujuan umum, dan ASICs dirancang khusus yang dikenal sebagai Unit Pengolahan Tensor (TPUs). Arsitektur ini memberikan fleksibilitas untuk pengembang aplikasi: sedangkan di sebelumnya “parameter server” desain pengelolaan negara bersama dibangun ke dalam sistem, TensorFlow memungkinkan pengembang untuk bereksperimen dengan optimasi novel dan algoritma pelatihan. TensorFlow mendukung berbagai aplikasi, dengan fokus pada pelatihan dan inferensi pada jaringan saraf yang mendalam. Beberapa layanan Google menggunakan TensorFlow dalam produksi, kami telah dirilis sebagai proyek open-source, dan telah menjadi banyak digunakan untuk penelitian pembelajaran mesin. Dalam tulisan ini, kami menggambarkan model TensorFlow dataflow dan menunjukkan kinerja yang meyakinkan bahwa TensorFlow mencapai beberapa aplikasi dunia nyata.