TensorFlow เผยแพร่ DOI สำหรับฐานโค้ดโอเพ่นซอร์สโดยใช้ Zenodo.org: 10.5281/zenodo.4724125
เอกสารไวท์เปเปอร์ของ TensorFlow มีรายการไว้เพื่อใช้อ้างอิงด้านล่าง
การเรียนรู้ของเครื่องขนาดใหญ่บนระบบกระจายแบบต่างกัน
บทคัดย่อ: TensorFlow เป็นอินเทอร์เฟซสำหรับแสดงอัลกอริธึมการเรียนรู้ของเครื่องและการใช้งานเพื่อดำเนินการอัลกอริธึมดังกล่าว การคำนวณที่แสดงโดยใช้ TensorFlow สามารถดำเนินการได้โดยมีการเปลี่ยนแปลงเพียงเล็กน้อยหรือไม่มีเลยบนระบบที่ต่างกันหลากหลาย ตั้งแต่อุปกรณ์เคลื่อนที่ เช่น โทรศัพท์และแท็บเล็ต ไปจนถึงระบบกระจายขนาดใหญ่ของเครื่องจักรหลายร้อยเครื่องและอุปกรณ์คำนวณหลายพันรายการ เช่น การ์ด GPU . ระบบมีความยืดหยุ่นและสามารถใช้เพื่อแสดงอัลกอริธึมที่หลากหลาย รวมถึงอัลกอริธึมการฝึกอบรมและการอนุมานสำหรับโมเดลโครงข่ายประสาทเทียมระดับลึก และถูกนำมาใช้สำหรับการดำเนินการวิจัยและสำหรับการปรับใช้ระบบการเรียนรู้ของเครื่องจักรในการผลิตทั่วทั้งพื้นที่มากกว่าสิบแห่ง วิทยาการคอมพิวเตอร์และสาขาอื่นๆ รวมถึงการรู้จำเสียง คอมพิวเตอร์วิทัศน์ หุ่นยนต์ การดึงข้อมูล การประมวลผลภาษาธรรมชาติ การดึงข้อมูลทางภูมิศาสตร์ และการค้นพบยาด้วยคอมพิวเตอร์ เอกสารนี้จะอธิบายอินเทอร์เฟซ TensorFlow และการใช้งานอินเทอร์เฟซนั้นที่เราสร้างขึ้นที่ Google TensorFlow API และการใช้งานอ้างอิงได้รับการเผยแพร่เป็นแพ็คเกจโอเพ่นซอร์สภายใต้ใบอนุญาต Apache 2.0 ในเดือนพฤศจิกายน 2015 และมีให้บริการที่ www.tensorflow.org
ในรูปแบบ BibTeX
หากคุณใช้ TensorFlow ในการวิจัยและต้องการอ้างอิงระบบ TensorFlow เราขอแนะนำให้คุณอ้างอิงเอกสารไวท์เปเปอร์นี้
@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
บทคัดย่อ: TensorFlow คือระบบการเรียนรู้ของเครื่องที่ทำงานในขนาดใหญ่และในสภาพแวดล้อมที่แตกต่างกัน TensorFlow ใช้กราฟกระแสข้อมูลเพื่อแสดงการคำนวณ สถานะที่ใช้ร่วมกัน และการดำเนินการที่เปลี่ยนแปลงสถานะนั้น โดยจะแมปโหนดของกราฟกระแสข้อมูลระหว่างเครื่องหลายๆ เครื่องในคลัสเตอร์ และภายในเครื่องกับอุปกรณ์คำนวณหลายตัว รวมถึง CPU แบบมัลติคอร์, GPU สำหรับใช้งานทั่วไป และ ASIC ที่ออกแบบเองซึ่งเรียกว่า Tensor Processing Units (TPU) สถาปัตยกรรมนี้ให้ความยืดหยุ่นแก่นักพัฒนาแอปพลิเคชัน: ในขณะที่การออกแบบ “เซิร์ฟเวอร์พารามิเตอร์” ก่อนหน้านี้มีการจัดการสถานะที่ใช้ร่วมกันไว้ในระบบ TensorFlow ช่วยให้นักพัฒนาสามารถทดลองกับการเพิ่มประสิทธิภาพใหม่และอัลกอริธึมการฝึกอบรม TensorFlow รองรับแอปพลิเคชันที่หลากหลาย โดยมุ่งเน้นไปที่การฝึกอบรมและการอนุมานบนโครงข่ายประสาทเชิงลึก บริการต่างๆ ของ Google ใช้ TensorFlow ในการผลิต เราได้เผยแพร่เป็นโปรเจ็กต์โอเพ่นซอร์ส และมีการใช้กันอย่างแพร่หลายในการวิจัยแมชชีนเลิร์นนิง ในบทความนี้ เราจะอธิบายโมเดลกระแสข้อมูล TensorFlow และสาธิตประสิทธิภาพที่น่าสนใจที่ TensorFlow ทำได้สำหรับแอปพลิเคชันต่างๆ ในโลกแห่งความเป็นจริง