TensorFlow publica um DOI para a base de código aberto usando Zenodo.org: 10.5281/zenodo.4724125
Os white papers do TensorFlow estão listados para citação abaixo.
Aprendizado de máquina em larga escala em sistemas distribuídos heterogêneos
Resumo: TensorFlow é uma interface para expressar algoritmos de aprendizado de máquina e uma implementação para executar tais algoritmos. Uma computação expressa usando o TensorFlow pode ser executada com pouca ou nenhuma alteração em uma ampla variedade de sistemas heterogêneos, desde dispositivos móveis, como telefones e tablets, até sistemas distribuídos em grande escala com centenas de máquinas e milhares de dispositivos computacionais, como placas GPU. . O sistema é flexível e pode ser usado para expressar uma ampla variedade de algoritmos, incluindo algoritmos de treinamento e inferência para modelos de redes neurais profundas, e tem sido usado para conduzir pesquisas e implantar sistemas de aprendizado de máquina em produção em mais de uma dúzia de áreas de ciência da computação e outros campos, incluindo reconhecimento de fala, visão computacional, robótica, recuperação de informações, processamento de linguagem natural, extração de informações geográficas e descoberta computacional de medicamentos. Este artigo descreve a interface do TensorFlow e uma implementação dessa interface que construímos no Google. A API TensorFlow e uma implementação de referência foram lançadas como um pacote de código aberto sob a licença Apache 2.0 em novembro de 2015 e estão disponíveis em www.tensorflow.org.
No formato BibTeX
Se você usa o TensorFlow em sua pesquisa e gostaria de citar o sistema TensorFlow, sugerimos que cite este whitepaper.
@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},
}
Ou em forma textual:
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: um sistema para aprendizado de máquina em grande escala
Resumo: TensorFlow é um sistema de aprendizado de máquina que opera em larga escala e em ambientes heterogêneos. O TensorFlow usa gráficos de fluxo de dados para representar a computação, o estado compartilhado e as operações que alteram esse estado. Ele mapeia os nós de um gráfico de fluxo de dados em muitas máquinas em um cluster e dentro de uma máquina em vários dispositivos computacionais, incluindo CPUs multicore, GPUs de uso geral e ASICs personalizados, conhecidos como Tensor Processing Units (TPUs). Essa arquitetura oferece flexibilidade ao desenvolvedor de aplicativos: enquanto nos projetos anteriores de “servidor de parâmetros” o gerenciamento do estado compartilhado é integrado ao sistema, o TensorFlow permite que os desenvolvedores experimentem novas otimizações e algoritmos de treinamento. O TensorFlow oferece suporte a uma variedade de aplicações, com foco em treinamento e inferência em redes neurais profundas. Vários serviços do Google usam o TensorFlow na produção, nós o lançamos como um projeto de código aberto e ele se tornou amplamente utilizado para pesquisas de aprendizado de máquina. Neste artigo, descrevemos o modelo de fluxo de dados do TensorFlow e demonstramos o desempenho atraente que o TensorFlow alcança para vários aplicativos do mundo real.