Google стремится продвигать расовую справедливость для черных сообществ. Смотри как.
Эта страница была переведа с помощью Cloud Translation API.
Switch to English

TensorFlow White Papers

Этот документ идентифицирует официальные документы о TensorFlow.

Крупномасштабное машинное обучение на гетерогенных распределенных системах

Получите доступ к этой белой книге.

Аннотация: TensorFlow - это интерфейс для выражения алгоритмов машинного обучения и реализация для выполнения таких алгоритмов. Вычисление, выраженное с использованием TensorFlow, может быть выполнено практически без изменений на самых разнообразных гетерогенных системах - от мобильных устройств, таких как телефоны и планшеты, до крупномасштабных распределенных систем, состоящих из сотен машин и тысяч вычислительных устройств, таких как карты GPU. , Система является гибкой и может использоваться для выражения широкого спектра алгоритмов, включая алгоритмы обучения и логического вывода для моделей глубоких нейронных сетей, и она использовалась для проведения исследований и развертывания систем машинного обучения в производстве в более чем дюжине областей компьютерные науки и другие области, включая распознавание речи, компьютерное зрение, робототехнику, поиск информации, обработку естественного языка, извлечение географической информации и обнаружение компьютерных наркотиков. В этой статье описывается интерфейс TensorFlow и реализация того интерфейса, который мы создали в Google. API TensorFlow и эталонная реализация были выпущены в виде пакета с открытым исходным кодом под лицензией Apache 2.0 в ноябре 2015 года и доступны на сайте www.tensorflow.org.

В формате BibTeX

Если вы используете TensorFlow в своих исследованиях и хотите сослаться на систему TensorFlow, мы предлагаем вам привести этот технический документ.

@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},
}

Или в текстовом виде:

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: система для крупномасштабного машинного обучения

Получите доступ к этой белой книге.

Аннотация: TensorFlow - это система машинного обучения, которая работает в больших масштабах и в разнородных средах. TensorFlow использует графики потоков данных для представления вычислений, общего состояния и операций, которые изменяют это состояние. Он отображает узлы графа потока данных на многих компьютерах в кластере и на компьютере на нескольких вычислительных устройствах, включая многоядерные процессоры, графические процессоры общего назначения и специализированные интегральные микросхемы, известные как Tensor Processing Units (TPU). Эта архитектура обеспечивает гибкость для разработчика приложений: тогда как в предыдущих разработках «сервер параметров» управление общим состоянием встроено в систему, TensorFlow позволяет разработчикам экспериментировать с новыми оптимизациями и алгоритмами обучения. TensorFlow поддерживает множество приложений, уделяя особое внимание обучению и выводу глубоких нейронных сетей. Несколько сервисов Google используют TensorFlow в производстве, мы выпустили его как проект с открытым исходным кодом, и он широко используется для исследований в области машинного обучения. В этой статье мы опишем модель потока данных TensorFlow и продемонстрируем убедительную производительность, которую TensorFlow достигает для нескольких реальных приложений.