O Google está comprometido em promover a equidade racial para as comunidades negras. Veja como.
Esta página foi traduzida pela API Cloud Translation.
Switch to English

Artigos técnicos do TensorFlow

Este documento identifica documentos técnicos sobre o TensorFlow.

Aprendizado de máquina em larga escala em sistemas distribuídos heterogêneos

Acesse este white paper.

Resumo: O TensorFlow é uma interface para expressar algoritmos de aprendizado de máquina e uma implementação para a execução de tais algoritmos. Um cálculo expresso usando o TensorFlow pode ser executado com pouca ou nenhuma alteração em uma ampla variedade de sistemas heterogêneos, desde dispositivos móveis como telefones e tablets até sistemas distribuídos em larga escala de 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 foi usado para realizar pesquisas e implantar sistemas de aprendizado de máquina na 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 documento descreve a interface TensorFlow e uma implementação dessa interface que criamos 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 você cite este documento técnico.

@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 na forma de texto:

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 larga escala

Acesse este white paper.

Resumo: O 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 modificam 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 TPUs (Tensor Processing Units). Essa arquitetura oferece flexibilidade ao desenvolvedor de aplicativos: enquanto nos projetos anteriores do "servidor de parâmetros" o gerenciamento do estado compartilhado é incorporado ao sistema, o TensorFlow permite que os desenvolvedores experimentem novas otimizações e algoritmos de treinamento. O TensorFlow suporta uma variedade de aplicações, com foco no 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 tornou-se amplamente usado para pesquisas de aprendizado de máquina. Neste artigo, descrevemos o modelo de fluxo de dados TensorFlow e demonstramos o desempenho atraente que o TensorFlow alcança para várias aplicações do mundo real.