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

Mengutip TensorFlow

TensorFlow memublikasikan DOI untuk basis kode sumber terbuka menggunakan Zenodo.org: 10.5281/zenodo.4724125

Buku putih TensorFlow tercantum untuk kutipan di bawah ini.

Machine Learning Skala Besar pada Sistem Terdistribusi Heterogen

Akses kertas putih ini.

Abstrak: TensorFlow adalah antarmuka untuk mengekspresikan algoritme pembelajaran mesin dan implementasi untuk mengeksekusi algoritme tersebut. Komputasi yang diekspresikan menggunakan TensorFlow dapat dijalankan dengan sedikit atau tanpa perubahan pada berbagai macam sistem heterogen, mulai dari perangkat seluler seperti ponsel dan tablet hingga sistem terdistribusi skala besar yang terdiri dari ratusan mesin dan ribuan perangkat komputasi seperti kartu GPU . Sistem ini fleksibel dan dapat digunakan untuk mengekspresikan berbagai macam algoritme, termasuk algoritme pelatihan dan inferensi untuk model jaringan saraf dalam, dan telah digunakan untuk melakukan penelitian dan menerapkan sistem pembelajaran mesin ke dalam produksi di lebih dari selusin bidang ilmu komputer dan bidang lainnya, termasuk pengenalan suara, visi komputer, robotika, pencarian informasi, pemrosesan bahasa alami, ekstraksi informasi geografis, dan penemuan obat komputasi. Makalah ini menjelaskan antarmuka TensorFlow dan implementasi antarmuka yang telah kami buat di Google. API TensorFlow dan implementasi referensi dirilis sebagai paket sumber terbuka di bawah lisensi Apache 2.0 pada 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: Sistem untuk Machine Learning Skala Besar

Akses kertas putih ini.

Abstrak: TensorFlow adalah sistem pembelajaran mesin yang beroperasi dalam skala besar dan dalam lingkungan yang heterogen. TensorFlow menggunakan grafik aliran data untuk merepresentasikan komputasi, status bersama, dan operasi yang mengubah status tersebut. Ini memetakan node grafik aliran data di banyak mesin dalam sebuah cluster, dan di dalam mesin di beberapa perangkat komputasi, termasuk CPU multicore, GPU tujuan umum, dan ASIC yang dirancang khusus yang dikenal sebagai Tensor Processing Unit (TPU). Arsitektur ini memberikan fleksibilitas kepada pengembang aplikasi: sedangkan pada desain "server parameter" sebelumnya, pengelolaan status bersama dibangun ke dalam sistem, TensorFlow memungkinkan pengembang bereksperimen dengan pengoptimalan baru dan algoritme pelatihan. TensorFlow mendukung berbagai aplikasi, dengan fokus pada pelatihan dan inferensi pada jaringan saraf dalam. Beberapa layanan Google menggunakan TensorFlow dalam produksi, kami telah merilisnya sebagai proyek sumber terbuka, dan telah digunakan secara luas untuk penelitian pembelajaran mesin. Dalam makalah ini, kami menjelaskan model aliran data TensorFlow dan mendemonstrasikan kinerja menarik yang dicapai TensorFlow untuk beberapa aplikasi dunia nyata.