Citando o TensorFlow
O TensorFlow publica um DOI para a base de código aberto usando Zenodo.org: 10.5281/zenodo.4724125
Os documentos técnicos do TensorFlow são listados para citação abaixo.
Aprendizado de máquina em grande escala em sistemas distribuídos heterogêneos
Acesse este documento técnico.
Resumo: O TensorFlow é uma interface para expressar algoritmos de aprendizado de máquina e uma implementação para executar esses algoritmos. Uma computação expressa usando o TensorFlow pode ser executada com pouca ou nenhuma alteração em uma grande variedade de sistemas heterogêneos, desde dispositivos móveis, como smartphones e tablets, até sistemas distribuídos em grande escala, com centenas de máquinas e milhares de dispositivos computacionais, como placas GPU. O sistema é flexível e pode ser usado para expressar uma ampla gama de algoritmos, incluindo os de treinamento e inferência para modelos de redes neurais profundas, e tem sido usado para conduzir pesquisas e implantar sistemas de aprendizado de máquina para produção em mais de uma dúzia de áreas da ciência da computação e outros campos, incluindo reconhecimento de fala, visão computacional, robótica, recuperação de informações, processamento de linguagem natural, extração de informações geográficas e descoberta computacional de medicamentos. Esta documentação descreve a interface do TensorFlow e uma implementação dessa interface que criamos no Google. A API do TensorFlow e uma implementação de referência foram publicadas como um pacote de código aberto sob a licença Apache 2.0 em novembro de 2015, que está disponível em www.tensorflow.org.
No formato BibTeX
Se você usa o TensorFlow na sua pesquisa acadêmica e quer citar o sistema TensorFlow, recomendamos citar este documento.
@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 em formato de texto:
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: um sistema para o aprendizado de máquina em grande escala
Acesse este documento técnico.
Resumo: O TensorFlow é um sistema de aprendizado de máquina que opera em grande escala e em ambientes heterogêneos. O TensorFlow usa grafos de fluxo de dados para representar computações, estado compartilhado e operações que transformam esse estado. Ele mapeia os nós de um grafo de fluxo de dados em várias máquinas de um cluster e dentro de uma máquina em vários dispositivos computacionais, incluindo CPUs multicore, GPUs de uso geral e ASICs personalizados conhecidos como Unidades de Processamento de Tensor (TPUs). Essa arquitetura dá flexibilidade ao desenvolvedor do aplicativo: enquanto o gerenciamento de estado compartilhado é integrado ao sistema nos designs de "servidores parametrizados" anteriores, o TensorFlow permite que os desenvolvedores testem novas otimizações e algoritmos de treinamento. O TensorFlow oferece suporte a uma variedade de aplicativos, com foco no treinamento e na inferência de redes neurais profundas. Vários serviços do Google usam o TensorFlow em produção, que foi lançado como um projeto de código aberto e se tornou amplamente usado em pesquisas com aprendizado de máquina. Neste documento, descrevemos o modelo de fluxo de dados do TensorFlow e mostramos o desempenho convincente do TensorFlow em várias aplicações no mundo real.