Google, Siyahi topluluklar için ırksal eşitliği geliştirmeye kararlıdır. Nasıl olduğunu gör.
Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

TensorFlow Teknik İncelemeler

Bu belge, TensorFlow ile ilgili teknik incelemeleri tanımlar.

Heterojen Dağıtılmış Sistemlerde Büyük Ölçekli Makine Öğrenmesi

Bu teknik incelemeye erişin.

Özet: TensorFlow, makine öğrenme algoritmalarını ifade etmek için bir arayüz ve bu algoritmaları yürütmek için kullanılan bir uygulamadır. TensorFlow kullanılarak ifade edilen bir hesaplama, telefonlar ve tabletler gibi mobil cihazlardan yüzlerce makinenin büyük ölçekli dağıtılmış sistemlerine ve GPU kartları gibi binlerce hesaplama cihazına kadar çok çeşitli heterojen sistemlerde çok az değişiklikle veya hiç değişiklik yapılmadan yürütülebilir. . Sistem esnektir ve derin sinir ağı modelleri için eğitim ve çıkarım algoritmaları dahil olmak üzere çok çeşitli algoritmaları ifade etmek için kullanılabilir ve araştırma yapmak ve makine öğrenme sistemlerini bir düzineden fazla alanda üretime dağıtmak için kullanılmıştır. bilgisayar bilimi ve konuşma tanıma, bilgisayarla görme, robotik, bilgi alma, doğal dil işleme, coğrafi bilgi çıkarma ve hesaplamalı ilaç keşfi gibi diğer alanlar. Bu makalede, TensorFlow arayüzü ve Google'da oluşturduğumuz arayüzün bir uygulaması açıklanmaktadır. TensorFlow API ve referans uygulaması, Kasım 2015'te Apache 2.0 lisansı altında açık kaynaklı bir paket olarak yayınlandı ve www.tensorflow.org adresinden edinilebilir.

BibTeX formatında

Araştırmanızda TensorFlow kullanıyorsanız ve TensorFlow sisteminden alıntı yapmak istiyorsanız, bu teknik incelemeyi alıntılamanızı öneririz.

@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},
}

Veya metin biçiminde:

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: Büyük Ölçekli Makine Öğrenimi için Bir Sistem

Bu teknik incelemeye erişin.

Özet: TensorFlow, büyük ölçekli ve heterojen ortamlarda çalışan bir makine öğrenme sistemidir. TensorFlow, hesaplamayı, paylaşılan durumu ve bu durumu değiştiren işlemleri temsil etmek için veri akışı grafiklerini kullanır. Bir veri akışı grafiğinin düğümlerini bir kümedeki birçok makinede ve bir makine içinde çok çekirdekli CPU'lar, genel amaçlı GPU'lar ve Tensor İşlem Birimleri (TPU'lar) olarak bilinen özel olarak tasarlanmış ASIC'ler de dahil olmak üzere birden çok hesaplama cihazında eşler. Bu mimari uygulama geliştiricisine esneklik sağlar: önceki “parametre sunucusu” tasarımlarında, paylaşılan durumun yönetimi sistemde yerleşik olarak bulunurken, TensorFlow, geliştiricilerin yeni optimizasyonlar ve eğitim algoritmaları üzerinde deney yapmalarını sağlar. TensorFlow, derin sinir ağları üzerinde eğitim ve çıkarım odaklı, çeşitli uygulamaları desteklemektedir. Birçok Google hizmeti üretimde TensorFlow kullanıyor, bunu açık kaynaklı bir proje olarak yayınladık ve makine öğrenimi araştırmaları için yaygın olarak kullanılmaktadır. Bu yazıda, TensorFlow veri akışı modelini tanımlamakta ve TensorFlow'un birçok gerçek dünya uygulaması için elde ettiği etkileyici performansı göstermektedir.