RSVP para seu evento TensorFlow Everywhere hoje mesmo!

Documentação Oficial TensorFlow

Esse artigo reconhece os documentos oficiais sobre o TensorFlow.

Aprendizado-de-Máquina de Alta Escalabilidade em Sistemas Heterogêneos Distribuídos.

Acesse esse Artigo em inglês.

Resumo: TensorFlow é uma interface para expressão de algoritmos de aprendizado de máquina e sua implementação para execução desses algoritmos. Uma computação expressada usando o TensorFlow pode ser executada com pouco ou nenhuma alteração em uma ampla variedade de sistemas heterogêneos, desde de dispositivos móveis como telefones e tablets até sistemas distribuídos de larga escala com centenas de máquinas e milhares de dispositivos computacionais como placas gráficas GPU. O sistema é flexível e pode ser usado para expressar uma ampla variedade de algoritmos, incluindo os de treinamento e inferência para modelos de redes neurais profundas, e tem sido utilizado para condução de pesquisa e para implementação de sistemas de aprendizado de máquina em produção em mais de uma dúzia de áreas das ciências da computação e outros campos, que incluem reconhecimento de fala, visão computacional, robótica, recuperação de informação, processamento de linguagem natural, extração de informação geográfica e descoberta computacional de drogas farmacológicas. Essa documentação descreve a interface do TensorFlow e a implementação da interface que construímos na Google. A API do TensorFlow e a implementação de referência estão disponibilizadas como pacote de código-aberto sob a licença Apache 2.0 de Novembro, 2015 e está disponível no www.tensorflow.org.

No formato BibTeX

Se você utiliza o TensorFlow na sua pesquisa acadêmica e quer citar o sistema TensorFlow, nós sugerimos que cite esse documento.

@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 sua 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 de Larga Escala

Acesse esse Artigo em inglês.

Resumo: TensorFlow é um sistema de aprendizado de máquina que opera em larga escala e em ambiente heterogêneos. TensorFlow utiliza grafos com fluxos de dados para representar computacionalmente, um estado compartilhado e as operações que alteram esse estado. O TensorFlow mapeia os nós de grafo de fluxo de dados através de muitas máquinas em grupo e com máquinas em múltiplos dispositivos computacionais, incluindo CPUs com muitos núcleos, placas de vídeos comuns e projetos customizados ASICs, conhecidos por Tensor Processing Units (TPUs). Essa arquitetura dá flexibilidade para o desenvolvedor da aplicação: considerando que nas arquiteturas de “servidores parametrizados” anteriores o gerenciamento de estado compartilhado seja nativo do sistema, TensorFlow permite que desenvolvedores experimentem novas otimizações e algoritmos de treinamento. TensorFlow oferece uma variedade de aplicações com foco no treinamento e inferência com redes neurais profundas. Vários serviços da Google utilizam o TensorFlow em produção, nós temos implementado o como projeto de código aberto e tem se tornado vastamente utilizado para pesquisa com aprendizado de máquina. Nesse artigo, nós descrevemos o modelo de fluxo de dados do TensorFlow e demonstramos o convincente desempenho que o TensorFlow alcança em diversos aplicações no mundo real.