Google I/O is a wrap! Catch up on TensorFlow sessions View sessions

อ้างถึง TensorFlow

TensorFlow เผยแพร่ DOI สำหรับฐานรหัสโอเพนซอร์ซโดยใช้ Zenodo.org: 10.5281/zenodo.4724125

เอกสารไวท์เปเปอร์ของ TensorFlow มีการระบุไว้สำหรับการอ้างอิงด้านล่าง

แมชชีนเลิร์นนิงขนาดใหญ่เกี่ยวกับระบบกระจายที่แตกต่างกัน

เข้าสู่เอกสารไวท์เปเปอร์นี้

บทคัดย่อ: TensorFlow เป็นอินเทอร์เฟซสำหรับแสดงอัลกอริธึมการเรียนรู้ของเครื่องและการใช้งานเพื่อดำเนินการอัลกอริทึมดังกล่าว การคำนวณที่แสดงโดยใช้ TensorFlow สามารถดำเนินการได้โดยมีการเปลี่ยนแปลงเพียงเล็กน้อยหรือไม่มีเลยในระบบที่แตกต่างกันหลากหลาย ตั้งแต่อุปกรณ์เคลื่อนที่ เช่น โทรศัพท์และแท็บเล็ต ไปจนถึงระบบกระจายขนาดใหญ่ของเครื่องจักรหลายร้อยเครื่อง และอุปกรณ์คอมพิวเตอร์หลายพันเครื่อง เช่น การ์ด GPU . ระบบนี้มีความยืดหยุ่นและสามารถใช้เพื่อแสดงอัลกอริธึมที่หลากหลาย รวมถึงอัลกอริธึมการฝึกอบรมและการอนุมานสำหรับโมเดลเครือข่ายนิวรัลเชิงลึก และมีการใช้สำหรับการวิจัยและสำหรับการนำระบบการเรียนรู้ของเครื่องมาใช้ในการผลิตในพื้นที่ต่างๆ มากกว่าโหล วิทยาการคอมพิวเตอร์และสาขาอื่น ๆ รวมถึงการรู้จำเสียง คอมพิวเตอร์วิทัศน์ หุ่นยนต์ การดึงข้อมูล การประมวลผลภาษาธรรมชาติ การดึงข้อมูลทางภูมิศาสตร์ และการค้นพบยาด้วยคอมพิวเตอร์ เอกสารนี้อธิบายอินเทอร์เฟซ TensorFlow และการใช้งานอินเทอร์เฟซที่เราสร้างขึ้นที่ Google TensorFlow API และการใช้งานอ้างอิงเปิดตัวเป็นแพ็คเกจโอเพ่นซอร์สภายใต้ลิขสิทธิ์ Apache 2.0 ในเดือนพฤศจิกายน 2558 และมีให้ที่ www.tensorflow.org

ในรูปแบบ BibTeX

หากคุณใช้ TensorFlow ในการค้นคว้าและต้องการอ้างอิงระบบ TensorFlow เราขอแนะนำให้คุณอ้างอิงเอกสารนี้

@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},
}

หรือในรูปแบบข้อความ:

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: ระบบสำหรับการเรียนรู้ของเครื่องขนาดใหญ่

เข้าสู่เอกสารไวท์เปเปอร์นี้

บทคัดย่อ: TensorFlow เป็นระบบการเรียนรู้ของเครื่องที่ทำงานในขนาดใหญ่และในสภาพแวดล้อมที่แตกต่างกัน TensorFlow ใช้กราฟกระแสข้อมูลเพื่อแสดงการคำนวณ สถานะที่ใช้ร่วมกัน และการดำเนินการที่เปลี่ยนสถานะนั้น โดยจะจับคู่โหนดของกราฟการไหลของข้อมูลในเครื่องหลายๆ เครื่องในคลัสเตอร์ และภายในเครื่องผ่านอุปกรณ์คำนวณหลายเครื่อง ซึ่งรวมถึง CPU แบบมัลติคอร์, GPU สำหรับใช้งานทั่วไป และ ASIC ที่ออกแบบเองซึ่งรู้จักกันในชื่อ Tensor Processing Units (TPU) สถาปัตยกรรมนี้ให้ความยืดหยุ่นแก่นักพัฒนาแอปพลิเคชัน: ในขณะที่ใน "เซิร์ฟเวอร์พารามิเตอร์" ก่อนหน้านี้มีการออกแบบการจัดการสถานะที่ใช้ร่วมกันอยู่ในระบบ TensorFlow ช่วยให้นักพัฒนาสามารถทดลองด้วยการปรับให้เหมาะสมแบบใหม่และอัลกอริธึมการฝึกอบรม TensorFlow รองรับการใช้งานที่หลากหลาย โดยมุ่งเน้นที่การฝึกอบรมและการอนุมานบนเครือข่ายประสาทเทียมระดับลึก บริการต่างๆ ของ Google ใช้ TensorFlow ในการผลิต เราได้เปิดตัวเป็นโครงการโอเพนซอร์ส และได้กลายเป็นบริการที่ใช้กันอย่างแพร่หลายสำหรับการวิจัยแมชชีนเลิร์นนิง ในบทความนี้ เราจะอธิบายโมเดลกระแสข้อมูลของ TensorFlow และสาธิตประสิทธิภาพการทำงานที่น่าสนใจที่ TensorFlow ทำได้สำหรับการใช้งานจริงหลายอย่าง