Questo documento identifica i white paper su TensorFlow.
Machine Learning su Larga Scala su Sistemi Distribuiti Eterogenei
Sommario: TensorFlow è un'interfaccia per esprimere algoritmi e programmi di machine learning ed un'implementazione per eseguire questi algoritmi. Una computazione descritta con TensorFlow può essere eseguita senza o con minimi cambiamenti su una grande varietà di sistemi eterogenei, dai dispositivi mobili come telefoni e tablet fino a grandi sistemi distribuiti di centinaia di macchine e migliaia di dispositivi di calcolo come le schede GPU. Il sistema è flessibile e può essere usato per esprimere una grande varietà di algoritmi, inclusi algoritmi di addestramento e inferenza per modelli di reti neurali, ed è stato usato per condurre ricerche e per realizzare systemi di machine learning in produzione in più di una dozzina di aree dell'informatica ed in altri campi, inclusi: riconoscimento del parlato, visione artificiale, robotica, ricerca di informazioni, elaborazione del linguaggio naturale, estrazione di informazioni geografiche, e ricerca farmaceutica computazionale. Questo documento descrive l'interfaccia di TensorFlow e l'implementazione dell'interfaccia che abbiamo realizzato in Google. Le API di TensorFlow e l' implementazione di riferimento sono state rilasciate come pacchetto open-source con licenza Apache 2.0 nel Novembre 2015, e sono disponibili su www.tensorflow.org.
In formato BibTeX
Se usate TensorFlow nella vostra ricerca e volete citare il sistema TensorFlow, vi suggeriamo di citare questo White Paper.
@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},
}
O in forma testuale:
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 sistema per Machine Learning su Larga Scala
Sommario: TensorFlow è un sistema di machine learning che opera su larga scala ed in ambienti eterogenei. TensorFlow usa grafi dataflow per rappresentare la computazione, stati condivisi, e le operazioni che cambiano questi stati, mappando i nodi di un grafo dataflow tra molte macchine in cluster, e tra macchine appartenenti a diversi dispositivi di computazione inclusi CPU multicore, GPUs generiche, e ASICs progettati in proprio detti Tensor Processing Units (TPUs). Quest'architettura fornisce flessibilità allo sviluppatore di applicazioni: mentre nei precedenti progetti basati su “server parametrici” la gestione degli stati condivisi è realizzata all'interno del sistema, TensorFlow permette agli sviluppatori di sperimentare con nuove ottimizzazioni e algoritmi di addestramento. TensorFlow supporta varie applicazioni, focalizzandosi in particolare sull'addestramento e sull'inferenza su reti neurali. Diversi servizi Google usano TensorFlow in produzione, lo abbiamo realizzato come un progetto open-source, ed è largamente usato per la ricerca nel machine learning. In questo documento, descriviamo il modello di dataflow di TensorFlow e dimostriamo le prestazioni raggiunte da TensorFlow, nel mondo reale, in diverse applicazioni.