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

Cytowanie TensorFlow

TensorFlow publikuje DOI dla bazy kodu open-source przy użyciu Zenodo.org: 10.5281/zenodo.4724125

Białe księgi TensorFlow są wymienione poniżej do cytowania.

Uczenie maszynowe na dużą skalę w heterogenicznych systemach rozproszonych

Uzyskaj dostęp do tej białej księgi.

Streszczenie: TensorFlow to interfejs do wyrażania algorytmów uczenia maszynowego oraz implementacja do wykonywania takich algorytmów. Obliczenia wyrażone za pomocą TensorFlow mogą być wykonywane z niewielką lub żadną zmianą na szerokiej gamie heterogenicznych systemów, począwszy od urządzeń mobilnych, takich jak telefony i tablety, po systemy rozproszone na dużą skalę, składające się z setek maszyn i tysięcy urządzeń obliczeniowych, takich jak karty GPU . System jest elastyczny i może być używany do wyrażania szerokiej gamy algorytmów, w tym algorytmów uczenia i wnioskowania dla głębokich modeli sieci neuronowych, i był używany do prowadzenia badań i wdrażania systemów uczenia maszynowego do produkcji w kilkunastu obszarach informatyka i inne dziedziny, w tym rozpoznawanie mowy, widzenie komputerowe, robotyka, wyszukiwanie informacji, przetwarzanie języka naturalnego, wyodrębnianie informacji geograficznych i komputerowe odkrywanie leków. W tym artykule opisano interfejs TensorFlow oraz implementację tego interfejsu, którą zbudowaliśmy w Google. Interfejs API TensorFlow i implementacja referencyjna zostały wydane jako pakiet open-source na licencji Apache 2.0 w listopadzie 2015 r. i są dostępne na stronie www.tensorflow.org.

W formacie BibTeX

Jeśli korzystasz z TensorFlow w swoich badaniach i chciałbyś zacytować system TensorFlow, sugerujemy zacytowanie tego dokumentu.

@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 do uczenia maszynowego na dużą skalę

Uzyskaj dostęp do tej białej księgi.

Streszczenie: TensorFlow to system uczenia maszynowego, który działa na dużą skalę i w heterogenicznych środowiskach. TensorFlow używa wykresów przepływu danych do reprezentowania obliczeń, współdzielonego stanu i operacji, które mutują ten stan. Odwzorowuje węzły grafu przepływu danych na wielu maszynach w klastrze oraz w obrębie maszyny na wielu urządzeniach obliczeniowych, w tym wielordzeniowych procesorach, procesorach graficznych ogólnego przeznaczenia i specjalnie zaprojektowanych układach ASIC, znanych jako jednostki przetwarzania tensorów (TPU). Architektura ta zapewnia elastyczność programistom aplikacji: podczas gdy w poprzednich projektach „serwer parametrów” zarządzanie stanem współdzielonym było wbudowane w system, TensorFlow umożliwia programistom eksperymentowanie z nowatorskimi optymalizacjami i algorytmami uczącymi. TensorFlow obsługuje różne aplikacje, skupiając się na uczeniu i wnioskowaniu na temat głębokich sieci neuronowych. Kilka usług Google korzysta z TensorFlow w środowisku produkcyjnym, wydaliśmy go jako projekt open-source i jest on szeroko stosowany do badań nad uczeniem maszynowym. W tym artykule opisujemy model przepływu danych TensorFlow i demonstrujemy atrakcyjną wydajność, jaką TensorFlow osiąga w kilku rzeczywistych aplikacjach.