TensorFlow публикует DOI для базы открытого исходного кода с помощью Zenodo.org: 10.5281/zenodo.4724125.
Официальные документы TensorFlow перечислены для цитирования ниже.
Крупномасштабное машинное обучение в гетерогенных распределенных системах
Получите доступ к этому техническому документу.
Аннотация: TensorFlow — это интерфейс для выражения алгоритмов машинного обучения и реализация для выполнения таких алгоритмов. Вычисления, выраженные с помощью TensorFlow, могут выполняться с небольшими изменениями или вообще без них на самых разных гетерогенных системах, начиная от мобильных устройств, таких как телефоны и планшеты, и заканчивая крупномасштабными распределенными системами, состоящими из сотен машин и тысяч вычислительных устройств, таких как карты графических процессоров. . Система является гибкой и может использоваться для выражения широкого спектра алгоритмов, включая алгоритмы обучения и вывода для моделей глубоких нейронных сетей. Она использовалась для проведения исследований и внедрения систем машинного обучения в производство в более чем дюжине областей. информатика и другие области, включая распознавание речи, компьютерное зрение, робототехнику, поиск информации, обработку естественного языка, извлечение географической информации и открытие вычислительных лекарств. В этой статье описывается интерфейс TensorFlow и реализация этого интерфейса, созданная нами в Google. API TensorFlow и эталонная реализация были выпущены как пакет 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 хотели бы сослаться на систему TensorFlow, мы предлагаем вам сослаться на 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 текстовой форме:
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 крупномасштабного машинного обучения
Получите доступ к этому техническому документу.
Аннотация: TensorFlow — это система машинного обучения, которая работает в больших масштабах и в гетерогенных средах. TensorFlow использует графы потоков данных для представления вычислений, общего состояния и операций, которые изменяют это состояние. Он отображает узлы графа потока данных на многих машинах в кластере и внутри машины на нескольких вычислительных устройствах, включая многоядерные процессоры, графические процессоры общего назначения и специально разработанные ASIC, известные как тензорные процессоры (TPU). Эта архитектура дает разработчику приложений гибкость: в то время как в предыдущих конструкциях «сервера параметров» управление общим состоянием было встроено в систему, TensorFlow позволяет разработчикам экспериментировать с новыми оптимизациями и алгоритмами обучения. TensorFlow поддерживает множество приложений, уделяя особое внимание обучению и выводам в глубоких нейронных сетях. Несколько сервисов Google используют TensorFlow в производстве, мы выпустили его как проект с открытым исходным кодом, и он стал широко использоваться для исследований в области машинного обучения. В этой статье мы описываем модель потока данных TensorFlow и демонстрируем впечатляющую производительность, которую TensorFlow достигает для нескольких реальных приложений.