TensorFlow publie un DOI pour la base de code open source à l'aide de Zenodo.org : 10.5281/zenodo.4724125
Les livres blancs de TensorFlow sont répertoriés ci-dessous pour être cités.
Apprentissage automatique à grande échelle sur des systèmes distribués hétérogènes
Résumé : TensorFlow est une interface pour exprimer des algorithmes d'apprentissage automatique et une implémentation pour exécuter de tels algorithmes. Un calcul exprimé à l'aide de TensorFlow peut être exécuté avec peu ou pas de changement sur une grande variété de systèmes hétérogènes, allant des appareils mobiles tels que les téléphones et les tablettes jusqu'aux systèmes distribués à grande échelle de centaines de machines et de milliers d'appareils informatiques tels que les cartes GPU. . Le système est flexible et peut être utilisé pour exprimer une grande variété d'algorithmes, y compris des algorithmes de formation et d'inférence pour des modèles de réseaux neuronaux profonds, et il a été utilisé pour mener des recherches et pour déployer des systèmes d'apprentissage automatique en production dans plus d'une douzaine de domaines d'activité. l'informatique et d'autres domaines, notamment la reconnaissance vocale, la vision par ordinateur, la robotique, la récupération d'informations, le traitement du langage naturel, l'extraction d'informations géographiques et la découverte informatique de médicaments. Cet article décrit l'interface TensorFlow et une implémentation de cette interface que nous avons créée chez Google. L'API TensorFlow et une implémentation de référence ont été publiées sous forme de package open source sous la licence Apache 2.0 en novembre 2015 et sont disponibles sur www.tensorflow.org.
Au format BibTeX
Si vous utilisez TensorFlow dans vos recherches et souhaitez citer le système TensorFlow, nous vous suggérons de citer ce livre blanc.
@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 sous forme textuelle :
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 : un système d'apprentissage automatique à grande échelle
Résumé : TensorFlow est un système d'apprentissage automatique qui fonctionne à grande échelle et dans des environnements hétérogènes. TensorFlow utilise des graphiques de flux de données pour représenter le calcul, l'état partagé et les opérations qui modifient cet état. Il mappe les nœuds d'un graphique de flux de données sur de nombreuses machines d'un cluster et au sein d'une machine sur plusieurs périphériques informatiques, notamment des processeurs multicœurs, des GPU à usage général et des ASIC conçus sur mesure appelés Tensor Processing Units (TPU). Cette architecture donne de la flexibilité au développeur d'applications : alors que dans les conceptions précédentes de « serveur de paramètres », la gestion de l'état partagé est intégrée au système, TensorFlow permet aux développeurs d'expérimenter de nouvelles optimisations et algorithmes de formation. TensorFlow prend en charge une variété d'applications, en mettant l'accent sur la formation et l'inférence sur les réseaux neuronaux profonds. Plusieurs services Google utilisent TensorFlow en production, nous l'avons publié en tant que projet open source et il est devenu largement utilisé pour la recherche sur l'apprentissage automatique. Dans cet article, nous décrivons le modèle de flux de données TensorFlow et démontrons les performances convaincantes obtenues par TensorFlow pour plusieurs applications du monde réel.