Citando TensorFlow

TensorFlow publica un DOI para la base de código fuente abierto utilizando Zenodo.org: 10.5281/zenodo.4724125

Los documentos técnicos de TensorFlow se enumeran para su cita a continuación.

Aprendizaje automático a gran escala en sistemas distribuidos heterogéneos

Acceda a este documento técnico.

Resumen: TensorFlow es una interfaz para expresar algoritmos de aprendizaje automático y una implementación para ejecutar dichos algoritmos. Un cálculo expresado utilizando TensorFlow se puede ejecutar con pocos o ningún cambio en una amplia variedad de sistemas heterogéneos, desde dispositivos móviles como teléfonos y tabletas hasta sistemas distribuidos a gran escala de cientos de máquinas y miles de dispositivos computacionales como tarjetas GPU. . El sistema es flexible y puede usarse para expresar una amplia variedad de algoritmos, incluidos algoritmos de entrenamiento e inferencia para modelos de redes neuronales profundas, y se ha utilizado para realizar investigaciones y para implementar sistemas de aprendizaje automático en producción en más de una docena de áreas de ciencias de la computación y otros campos, incluido el reconocimiento de voz, la visión por computadora, la robótica, la recuperación de información, el procesamiento del lenguaje natural, la extracción de información geográfica y el descubrimiento computacional de fármacos. Este artículo describe la interfaz de TensorFlow y una implementación de esa interfaz que hemos creado en Google. La API de TensorFlow y una implementación de referencia se lanzaron como un paquete de código abierto bajo la licencia Apache 2.0 en noviembre de 2015 y están disponibles en www.tensorflow.org.

En formato BibTeX

Si utiliza TensorFlow en su investigación y desea citar el sistema TensorFlow, le sugerimos que cite este documento técnico.

@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},
}

O en forma textual:

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 sistema para el aprendizaje automático a gran escala

Acceda a este documento técnico.

Resumen: TensorFlow es un sistema de aprendizaje automático que opera a gran escala y en entornos heterogéneos. TensorFlow utiliza gráficos de flujo de datos para representar el cálculo, el estado compartido y las operaciones que modifican ese estado. Mapea los nodos de un gráfico de flujo de datos en muchas máquinas de un clúster y dentro de una máquina en múltiples dispositivos computacionales, incluidas CPU multinúcleo, GPU de uso general y ASIC de diseño personalizado conocidos como unidades de procesamiento tensorial (TPU). Esta arquitectura brinda flexibilidad al desarrollador de aplicaciones: mientras que en diseños anteriores de "servidor de parámetros" la administración del estado compartido estaba integrada en el sistema, TensorFlow permite a los desarrolladores experimentar con optimizaciones y algoritmos de entrenamiento novedosos. TensorFlow admite una variedad de aplicaciones, centrándose en el entrenamiento y la inferencia en redes neuronales profundas. Varios servicios de Google utilizan TensorFlow en producción, lo lanzamos como un proyecto de código abierto y se ha utilizado ampliamente para la investigación de aprendizaje automático. En este artículo, describimos el modelo de flujo de datos de TensorFlow y demostramos el rendimiento convincente que logra TensorFlow para varias aplicaciones del mundo real.