Google jest zaangażowana w pogłębianie równości rasowej dla czarnych społecznościach. Zobacz jak.
Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

TensorFlow White Papers

Dokument ten identyfikuje białe papiery o TensorFlow.

Wielkoskalowych Machine Learning Systems na heterogenicznych Rozproszone

Dostęp do tego białego papieru.

Streszczenie: TensorFlow jest interfejsem do wyrażania algorytmów uczenia maszynowego i wdrożenie do wykonywania takich algorytmów. Wyliczoną wyrażona za pomocą TensorFlow mogą być wykonywane z małym lub bez zmian w różnorodnych systemach heterogenicznych, począwszy od urządzeń mobilnych, takich jak telefony i tablety aż do dużych systemów rozproszonych setek maszyn i tysiące urządzeń obliczeniowych, takich jak karty GPU , System jest elastyczny i może być używany do wyrażania różnorodnych algorytmów, w tym szkolenia i wnioskowania algorytmów głębokich modeli sieci neuronowych, i to zostało wykorzystane do prowadzenia badań i wdrażania maszynę systemów do produkcji uczeniu się kilkunastu dziedzin informatyka i innych dziedzinach, w tym rozpoznawania mowy, wizji komputerowej, robotyki, pozyskiwania informacji, przetwarzania języka naturalnego, geograficznego ekstrakcji informacji i obliczeń leków. Niniejszy dokument opisuje interfejs TensorFlow i implementację tego interfejsu, które zbudowaliśmy w Google. API TensorFlow i implementacja referencyjna zostały wydane jako pakiet open source na licencji Apache 2.0 w listopadzie 2015 roku i są dostępne w www.tensorflow.org.

W formacie BibTeX

Jeśli używasz TensorFlow w badaniach i chciałbym przytoczyć system TensorFlow, proponujemy przytoczyć ten dokument.

@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},
}

Lub w formie tekstowej:

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: system na szeroką skalę uczenia maszynowego

Dostęp do tego białego papieru.

Streszczenie: TensorFlow to system machine learning, który działa na dużą skalę oraz w środowiskach heterogenicznych. TensorFlow wykorzystuje dataflow wykresy przedstawiają obliczenia, wspólne państwo, a operacje mutacji że stan. odwzorowuje to węzły grafu przepływu danych na wielu komputerach w klastrze, a wewnątrz maszyny w wielu urządzeń obliczeniowych, w tym procesorów wielordzeniowych, ogólne GPU celu, oraz specjalnie zaprojektowane ASIC znanych jako Tensor jednostek przetwarzania (TPU). Architektura ta daje elastyczność dewelopera aplikacji: podczas gdy w poprzednim parametrze „serwer” projektuje zarządzania dzielonego państwa jest wbudowane w system, TensorFlow pozwala programistom do eksperymentowania z nowymi algorytmami optymalizacji i szkoleniowych. TensorFlow obsługuje wiele aplikacji, z naciskiem na szkolenia i wnioskowania na głębokich sieciach neuronowych. Kilka usług Google korzystają TensorFlow w produkcji, wydaliśmy go jako projekt open source, i stało się szeroko stosowany do badania uczenia maszynowego. W tym artykule opiszemy model TensorFlow przepływ danych i wykazać, że TensorFlow przekonujące wyniki osiąga od kilku aplikacjach rzeczywistych.