پرش به محتوا

تنسورفلو

از ویکی‌پدیا، دانشنامهٔ آزاد
تنسورفلو
توسعه‌دهنده(ها)تیم Google Brain
انتشار اولیه۹ نوامبر ۲۰۱۵؛ ۱۰ سال پیش (۲۰۱۵-09}})
مخزن
نوشته‌شده باپایتون، سی پلاس‌پلاس
پلت‌فرملینوکس، اواس ده، مایکروسافت ویندوز
نوعکتابخانهٔ یادگیری ماشین
مجوزمجوز آپاچی
وبگاه

تنسورفلو (انگلیسی: TensorFlow) یک کتابخانه نرم‌افزاری برای یادگیری ماشین و هوش مصنوعی است. این کتابخانه در طیف گسترده‌ای از وظایف قابل استفاده است، اما عمدتاً برای آموزش و استنتاجِ شبکه‌های عصبی مصنوعی به‌کار می‌رود.[۱][۲] این کتابخانه یکی از محبوب‌ترین چارچوب‌های یادگیری عمیق به‌شمار می‌رود و در کنار چارچوب‌هایی مانند پای‌تورچ قرار دارد.[۳] تنسرفلو یک نرم‌افزار آزاد و متن‌باز است که تحت مجوز آپاچی ۲٫۰ منتشر شده است.

این کتابخانه توسط تیم گوگل برین برای استفاده داخلی گوگل در پژوهش و محیط‌های تولیدی توسعه داده شد.[۴][۵][۶] نسخه اولیه آن در سال ۲۰۱۵ تحت مجوز آپاچی ۲٫۰ منتشر شد.[۷][۸] گوگل نسخه به‌روزشده‌ای با عنوان تنسورفلو ۲٫۰ را در سپتامبر ۲۰۱۹ منتشر کرد.[۹]

تنسورفلو را می‌توان در طیف گسترده‌ای از زبان‌های برنامه‌نویسی، از جمله پایتون، جاوااسکریپت، C++ و جاوا به‌کار برد،[۱۰] که این امر استفاده از آن را در دامنه گسترده‌ای از کاربردها در بخش‌های مختلف تسهیل می‌کند.

تاریخچه

[ویرایش]

دیست‌بیلیف

[ویرایش]

از سال ۲۰۱۱، تیم گوگل برین سامانه دیست‌بیلیف (به انگلیسی: DistBelief) را به‌عنوان یک سیستم مالکیتیِ یادگیری ماشین مبتنی بر یادگیری عمیق و شبکه‌های عصبی مصنوعی توسعه داد. استفاده از این سامانه به سرعت در میان شرکت‌های مختلف آلفابت، هم در پژوهش و هم در کاربردهای تجاری، گسترش یافت.[۱۱][۱۲] گوگل چندین دانشمند علوم رایانه، از جمله جف دین، را مأمور کرد تا پایگاه کد دیست‌بیلیف را ساده‌سازی کرده و آن را بازآرایی کنند تا به یک کتابخانه سریع‌تر و مقاوم‌تر در سطح کاربردهای تولیدی/عملیاتی تبدیل شود؛ کتابخانه‌ای که بعدها به تنسورفلو تبدیل شد.[۱۳] در سال ۲۰۰۹، این تیم به رهبری جفری هینتون، با پیاده‌سازی تعمیم‌یافته پس‌انتشار خطا و همچنین در کنار بهبودهای دیگر، این امکان را ایجاد کردند که دقت به مراتب بالاتری از مدلهای پیشین را در شبکه‌های عصبی بدست آید. برای نمونه، کاهش ۲۵ درصدی خطاها در تشخیص گفتار.[۱۴]

تنسورفلو

[ویرایش]

تنسورفلو سامانه نسل دوم گوگل برین است. نسخه ۱٫۰٫۰ آن در ۱۱ فوریه ۲۰۱۷ منتشر شد.[۱۵] در حالی که پیاده‌سازی مرجع آن تنها بر روی یک دستگاه‌ه قابل اجرا است، ولی تنسورفلو می‌تواند بر روی چندین سی‌پی‌یو و جی‌پی‌یو اجرا شود، که با به کار گیری افزونه‌های اختیاری کودا و SYCL برای محاسبات همه‌منظوره بر روی واحدهای پردازش گرافیکی قابل انجام است.[۱۶] تنسورفلو بر روی نسخه‌های ۶۴ بیتی لینوکس، مک‌اواس، ویندوز و همچنین سکوهای رایانش همراه، از جمله اندروید و آی‌اواس در دسترس است.[۱۷][۱۸]

معماری انعطاف‌پذیر آن امکان استقرار آسان محاسبات را بر روی انواع گوناگونی از سکوها (سی‌پی‌یو و جی‌پی‌یو، و حتی تی‌پی‌یو) و از رایانه‌های رومیزی تا خوشه‌های سرور و دستگاه‌های همراه و لبه‌ای فراهم می‌کند.

محاسبات تنسورفلو به شکل حالت‌دار و در قالب برنامه‌نویسی جریان داده با استفاده از گراف‌های جهت‌دار بیان می‌شوند. نام تنسورفلو نیز از عملیاتی گرفته شده است که چنین شبکه‌های عصبی بر روی آرایه‌های داده‌ای چندبعدی انجام می‌دهند. این آرایه‌ها با عنوان تنسور شناخته می‌شوند.[۱۹] در جریان کنفرانس گوگل آی/او در ژوئن ۲۰۱۶، جف دین اعلام کرد که ۱٬۵۰۰ مخزن در گیت‌هاب به تنسورفلو اشاره کرده‌اند که تنها ۵ مورد از آن‌ها متعلق به گوگل بوده است.[۲۰]

در مارس ۲۰۱۸، گوگل نسخه ۱٫۰ TensorFlow.js را برای یادگیری ماشین در جاوااسکریپت معرفی کرد.[۲۱]

در ژانویه ۲۰۱۹، گوگل تنسورفلو ۲٫۰ را معرفی کرد.[۲۲] این نسخه در سپتامبر ۲۰۱۹ به طور رسمی در دسترس قرار گرفت.[۲۳]

در مه ۲۰۱۹، گوگل محصول تنسورفلو گرافیکس[الف] را برای کاربردهای یادگیری عمیق در گرافیک رایانه‌ای معرفی کرد.[۲۴]

واحد پردازشی تنسور (تی‌پی‌یو)

[ویرایش]

در مه ۲۰۱۶، گوگل واحد پردازشی تنسور (تی‌پی‌یو) خود را معرفی کرد؛ یک مدار مجتمع با کاربرد خاص (اِی‌سیک، یک تراشه سخت‌افزاری) که به طور ویژه برای یادگیری ماشین ساخته شده و برای تنسورفلو بهینه‌سازی شده است. تی‌پی‌یو یک شتاب‌دهنده هوش مصنوعی قابل برنامه‌ریزی است که برای فراهم‌سازی گذردهی بالا در محاسبات با دقت پایین (برای مثال، ۸ بیتی) طراحی شده و بیشتر بر استفاده یا اجرای مدل‌ها تمرکز دارد تا آموزش آن‌ها. گوگل اعلام کرد که بیش از یک سال است تی‌پی‌یوها را در مراکز داده خود به‌کار گرفته و دریافتند که این واحدها برای یادگیری ماشین، عملکرد به ازای وات بهینه‌تری در حد یک مرتبه بزرگی ارائه می‌دهند.[۲۵]

در مه ۲۰۱۷، گوگل از نسل دوم تی‌پی‌یوها رونمایی کرد و همچنین در دسترس قرار گرفتن آن‌ها را در گوگل کامپیوت انجین اعلام نمود.[۲۶] تی‌پی‌یوهای نسل دوم تا ۱۸۰ ترافلاپس توان پردازشی ارائه می‌دهند و هنگامی که در قالب خوشه‌هایی شامل ۶۴ تی‌پی‌یو سازمان‌دهی می‌شوند، تا ۱۱٫۵ پتافلاپس توان پردازشی فراهم می‌کنند.

در مه ۲۰۱۸، گوگل از تی‌پی‌یوهای نسل سوم با توان پردازشی تا ۴۲۰ ترافلاپس و ۱۲۸ گیگابایت حافظه با پهنای باند بالا[ب] (کوته‌نوشت: HBM) خبر داد. پادهای Cloud TPU v3 بیش از ۱۰۰ پتافلاپس توان پردازشی و ۳۲ ترابایت حافظه اِچ‌بی‌اِم ارائه می‌کنند.[۲۷]

در فوریه ۲۰۱۸، گوگل اعلام کرد که تی‌پی‌یوها را به صورت نسخه آزمایشی (بتا) در سکوی ابری گوگل در دسترس قرار می‌دهد.[۲۸]

تی‌پی‌یو لبه

[ویرایش]

در ژوئیه ۲۰۱۸، تی‌پی‌یو لبه[پ] یا اِج تی‌پی‌یو معرفی شد. تی‌پی‌یو لبه تراشه اِی‌سیک اختصاصی گوگل است که برای اجرای مدل‌های یادگیری ماشین تنسورفلو لایت بر روی دستگاه‌های کوچک سمت کاربر، مانند تلفن‌های هوشمند، طراحی شده است[۲۹] که در حوزه رایانش لبه‌ای به‌کار می‌روند.

تنسورفلو لایت

[ویرایش]

در مه ۲۰۱۷، گوگل تنسورفلو لایت[ت] را به‌عنوان یک پشته نرم‌افزاری برای پشتیبانی از مدل‌های یادگیری ماشین در دستگاه‌های همراه و نهفته معرفی کرد و در نوامبر ۲۰۱۷ پیش‌نمایش توسعه‌دهندگان آن را ارائه داد.[۳۰] در ژانویه ۲۰۱۹، تیم تنسورفلو پیش‌نمایش توسعه‌دهندگان موتور استنتاج جی‌پی‌یو همراه را با استفاده از OpenGL ES 3.1 Compute Shaders بر روی دستگاه‌های اندرویدی و Metal Compute Shaders بر روی دستگاه‌های iOS منتشر کرد.[۳۱] در مه ۲۰۱۹، گوگل اعلام کرد که تنسورفلو لایت میکرو (که با نام تنسورفلو لایت برای میکروکنترلر[ث] نیز شناخته می‌شود) با یوتنسور[ج] متعلق به آرم ادغام خواهد شد.[۳۲] این پروژه در سال ۲۰۲۴ به لایت‌آرتی (به انگلیسی: LiteRT) تغییر نام داد.

تنسورفلو ۲٫۰

[ویرایش]

در حالی که سهم تنسورفلو از بازار مقالات پژوهشی به نفع پای‌تورچ رو به کاهش بود،[۳۳] تیم تنسورفلو در سپتامبر ۲۰۱۹ انتشار یک نسخه اصلی جدید از این کتابخانه را اعلام کرد. تنسورفلو ۲٫۰ تغییرات بسیاری را معرفی کرد که مهم‌ترین آن‌ها تنسورفلو ایگر[چ] بود؛ قابلیتی که طرح مشتق‌گیری خودکار را از گراف محاسباتی ایستا، به الگوی «تعریف در زمان اجرا»[ح] تغییر داد. این الگو که در ابتدا توسط Chainer محبوب شد و بعدها توسط پای‌تورچ گسترش یافت.[۳۳] دیگر تغییرات مهم شامل حذف کتابخانه‌های قدیمی، سازگاری متقابل میان مدل‌های آموزش‌دیده در نسخه‌های مختلف تنسورفلو و بهبودهای چشمگیر در عملکرد بر روی جی‌پی‌یو بود.[۳۴]

ویژگی‌ها

[ویرایش]

مشتق‌گیری خودکار

[ویرایش]

مشتق‌گیری خودکار (کوته‌نوشت: AutoDifferentiation) فرایندی است که در آن بردار گرادیان یک مدل نسبت به هر یک از پارامترهای آن به صورت خودکار محاسبه می‌شود. با استفاده از این قابلیت، تنسورفلو می‌تواند گرادیان‌های مربوط به پارامترهای یک مدل را به طور خودکار محاسبه کند. این قابلیت برای الگوریتم‌هایی مانند پس‌انتشار که برای بهینه‌سازی عملکرد به گرادیان نیاز دارند، بسیار مفید است.[۳۵] برای انجام این کار، چارچوب باید ترتیب عملیات انجام‌شده بر روی تنسورهای ورودی در یک مدل را ثبت کند و سپس گرادیان‌ها را نسبت به پارامترهای مناسب محاسبه نماید.[۳۵]

اجرای آنی

[ویرایش]

تنسورفلو شامل حالتی با عنوان «اجرای آنی» (به انگلیسی: eager execution) است. بدین معنا که عملیات بلافاصله ارزیابی می‌شوند، نه اینکه به یک گراف محاسباتی افزوده شوند که بعداً اجرا گردد.[۳۶] کدی که به‌صورت آنی اجرا می‌شود را می‌توان گام‌به‌گام از طریق اشکال‌زدا بررسی کرد، زیرا داده‌ها در هر خط از کد به‌روزرسانی می‌شوند، نه اینکه بعداً در یک گراف محاسباتی پردازش شوند.[۳۶] این الگوی اجرا به دلیل شفافیت گام‌به‌گام خود، در اشکال‌زدایی کد خیلی سهولت ایجاد کرده است.[۳۶]

توزیع

[ویرایش]

تنسورفلو هم در حالت اجرای آنی و هم در اجرای مبتنی بر گراف، یک اِی‌پی‌آی ارائه می‌دهد که با استفاده از راهبردهای گوناگون توزیع، امکان توزیع محاسبات میان چندین دستگاه را به کاربر می‌دهد.[۳۷] این رایانش توزیع‌شده اغلب می‌تواند اجرای فرایند آموزش و ارزیابی مدل‌های تنسورفلو را سرعت ببخشد و یک رویه رایج در حوزه هوش مصنوعی به شمار می‌رود.[۳۷][۳۸]

تلفات

[ویرایش]

برای آموزش و ارزیابی مدل‌ها، تنسورفلو مجموعه‌ای از توابع تلفات (که با عنوان توابع هزینه نیز شناخته می‌شوند) را فراهم می‌کند.[۳۹] از نمونه‌های رایج این توابع می‌توان به میانگین مربعات خطا (کوته‌نوشت: MSE) و آنتروپی متقاطع دودویی (کوته‌نوشت: BCE) اشاره کرد.[۳۹]

معیارهای اندازه‌گیری و ارزیابی

[ویرایش]

تنسورفلو برای ارزیابی عملکرد مدل‌های یادگیری ماشین، دسترسی به معیارهای پرکاربرد را از طریق اِی‌پی‌آی فراهم می‌کند. از جمله این معیارها می‌توان به انواع مختلف معیارهای دقت (دودویی، رده‌ای و رده‌ای تنک) و همچنین معیارهایی مانند دقت و بازیابی و اشتراک بر اجتماع (کوته‌نوشت: IoU) اشاره کرد.[۴۰]

TF.nn

[ویرایش]

TensorFlow.nn یک ماژول برای اجرای عملیات پایه شبکه‌های عصبی مصنوعی بر روی مدل‌ها است.[۴۱] برخی از این عملیات شامل گونه‌های مختلف کانولوشن‌ها (یک‌بعدی، دوبعدی، سه‌بعدی، آتروس و عمقی)، توابع فعال‌سازی (Softmax، ReLU، GELU، سیگموئید و غیره) و دیگر انواع آن‌ها، و همچنین عملیات دیگر مانند max-pooling، افزودن بایاس و موارد مشابه است.[۴۱]

بهینه‌سازها

[ویرایش]

تنسورفلو مجموعه‌ای از بهینه‌سازها را برای آموزش شبکه‌های عصبی ارائه می‌دهد که از جمله آن‌ها می‌توان به آدام، آداگراد و گرادیان کاهشی تصادفی(کوته‌نوشت: SGD) اشاره کرد.[۴۲] هنگام آموزش یک مدل، بهینه‌سازهای مختلف شیوه‌های متفاوتی برای تنظیم پارامترها ارائه می‌دهند که این امر اغلب بر همگرایی و عملکرد مدل تأثیر می‌گذارد.[۴۳]

توسعه‌ها و به‌کارگیری

[ویرایش]

تنسورفلو

[ویرایش]

تنسورفلو به عنوان یک سکوی هسته‌ای و کتابخانه‌ای برای یادگیری ماشین عمل می‌کند. اِی‌پی‌آی‌های تنسورفلو از کراس استفاده می‌کنند تا به کاربران امکان دهند مدل‌های یادگیری ماشین خود را ایجاد کنند.[۴۴][۴۵] تنسورفلو افزون بر ساخت و آموزش مدل، می‌تواند در بارگذاری داده‌ها برای آموزش مدل و همچنین استقرار آن با استفاده از تنسورفلو سروینگ[خ] نیز کمک کند.[۴۶]

تنسورفلو یک پایتون پایدار واسط برنامه‌نویسی کاربردی (اِی‌پی‌آی) ارائه می‌دهد،[۴۷] و همچنین اِی‌پی‌آی‌هایی بدون تضمین سازگاری با نسخه‌های پیشین برای جاوااسکریپت،[۴۸] C++[۴۹] و جاوا ارائه می‌کند.[۵۰][۵۱] افزون بر این، بسته‌های اتصال زبانیِ شخص ثالث نیز برای زبان‌های سی‌شارپ،[۵۲][۵۳] هسکل،[۵۴] جولیا،[۵۵] متلب،[۵۶] آبجکت پاسکال،[۵۷] آر،[۵۸] اسکالا،[۵۹] راست،[۶۰] اکمل[۶۱] و Crystal در دسترس هستند.[۶۲] اتصال‌هایی که در حال حاضر بایگانی شده و دیگر پشتیبانی نمی‌شوند شامل گو[۶۳] و سوئیفت هستند.[۶۴]

TensorFlow.js

[ویرایش]

تنسورفلو دارای یک کتابخانه برای یادگیری ماشین در جاوااسکریپت نیز هست. با استفاده از رابط‌های برنامه‌نویسی کاربردی جاوااسکریپت که ارائه شده‌اند، TensorFlow.js به کاربران اجازه می‌دهد تا یا از مدل‌های TensorFlow.js استفاده کنند یا از مدل‌های تبدیل‌شده از تنسورفلو لایت یا تی‌اِف‌لایت[د] بهره ببرند، مدل‌های موجود را دوباره آموزش دهند و آن‌ها را در محیط وب اجرا کنند.[۶۵][۶۶]

لایت‌آرتی

[ویرایش]

لایت‌آرتی که پیش‌تر با نام تنسورفلو لایت شناخته می‌شد،[۶۷] رابط‌های برنامه‌نویسی کاربردی را برای برنامه‌های تلفن همراه یا دستگاه‌های توکار فراهم می‌کند تا مدل‌های تنسورفلو تولید و مستقر شوند.[۶۸] این مدل‌ها به‌منظور افزایش کارایی و دستیابی به عملکرد بالاتر روی دستگاه‌هایی با ظرفیت محدودتر، فشرده و بهینه‌سازی می‌شوند.[۶۵]

لایت‌آرتی از فلت‌بافر[ذ] به‌عنوان قالب سریال‌سازی داده برای مدل‌های شبکه استفاده می‌کند و از قالب پروتکل بافرز که در مدل‌های استاندارد تنسورفلو به‌کار می‌رود، اجتناب می‌کند.[۶۵]

TFX

[ویرایش]

تنسورفلو توسعه داده‌شده[ر] (کوته‌نوشت: TFX) مجموعه‌ای از مؤلفه‌های متعدد را برای انجام تمام عملیات موردنیاز جهت تولید سرتاسری (end-to-end) فراهم می‌کند.[۶۹] این مؤلفه‌ها شامل بارگذاری، اعتبارسنجی و تبدیل داده‌ها، تنظیم ابرپارامترها، آموزش و ارزیابی مدل یادگیری ماشین، و در نهایت استقرار خود مدل در محیط تولید هستند.[۷۰][۶۹]

یکپارچه‌سازی‌ها

[ویرایش]

نام‌پای

[ویرایش]

نام‌پای یکی از محبوب‌ترین کتابخانه‌های داده در پایتون است و تنسورفلو یکپارچگی و سازگاری با ساختارهای داده‌ای آن را فراهم می‌کند.[۷۱] آرایه‌های چندبعدی نام‌پای (NDarrayها) که نوع داده بومی این کتابخانه هستند، به طور خودکار در عملیات تنسورفلو به تنسورهای تنسورفلو تبدیل می‌شوند و برعکس، این تبدیل نیز انجام‌پذیر است.[۷۱] این ویژگی امکان می‌دهد که این دو کتابخانه بدون نیاز به نوشتن تبدیل‌های صریح داده توسط کاربر، به صورت هماهنگ با یکدیگر کار کنند. افزون بر این، این یکپارچگی به بهینه‌سازی حافظه نیز گسترش می‌یابد، به‌طوری که تنسورهای تنسورفلو در صورت امکان، نمایش حافظه زیربنایی آرایه‌های نام‌پای را با آن‌ها به‌اشتراک می‌گذارند.[۷۱]

توسعه‌ها

[ویرایش]

تنسورفلو مجموعه متنوعی از کتابخانه‌ها و افزونه‌ها را برای توسعه و گسترش مدل‌ها و روش‌های مورد استفاده ارائه می‌دهد.[۷۲] برای نمونه، تنسورفلو ریکامندرز[ز] و تنسورفلو گرافیکس، کتابخانه‌هایی برای کارکردهای تخصصی مربوط به خود هستند.[۷۳] افزونه‌ها، کتابخانه‌ها و چارچوب‌های نرم‌افزاری دیگری نیز وجود دارند که از جمله آن‌ها می‌توان به موارد زیر اشاره کرد:[۷۲][۷۳]

  • TensorFlow Model Optimization
  • TensorFlow Probability
  • TensorFlow Quantum
  • TensorFlow Decision Forests

گوگل کولب

[ویرایش]

در این بین، گوگل محصول همکاری را منتشر نیز کرده است؛ محیطی مبتنی بر کتابچه ژوپیتر برای تنسورفلو که به هیچ‌گونه راه‌اندازی اولیه نیاز ندارد.[۷۴] این محیط بر بستر سکوی ابری گوگل اجرا می‌شود و به کاربران امکان دسترسی رایگان به واحدهای پردازش گرافیکی (جی‌پی‌یو) و همچنین قابلیت ذخیره و به‌اشتراک‌گذاری نوت‌بوک‌ها در گوگل درایو را می‌دهد.[۷۵]

کاربردها

[ویرایش]

پزشکی

[ویرایش]

رسانه‌های اجتماعی

[ویرایش]
  • توییتر از تنسورفلو برای رتبه‌بندی توییت‌ها بر اساس میزان اهمیت آن‌ها برای هر کاربر استفاده کرد و پلتفرم خود را به‌گونه‌ای تغییر داد که توییت‌ها بر اساس این رتبه‌بندی نمایش داده شوند.[۷۸] پیش از این، توییت‌ها صرفاً به ترتیب معکوس زمانی نمایش داده می‌شدند.[۷۸] برنامه اشتراک‌گذاری عکس وی‌اس‌سی‌او از تنسورفلو برای کمک به پیشنهاد فیلترهای سفارشی برای تصاویر استفاده کرد.[۷۷]

موتور جستجو

[ویرایش]

گوگل به‌طور رسمی رنک برین را در ۲۶ اکتبر ۲۰۱۵ منتشر کرد که مبتنی بر تنسورفلو بود.[۷۹]

آموزش

[ویرایش]
  • InSpace، یک پلتفرم یادگیری مجازی، از تنسورفلو برای فیلتر کردن پیام‌های سمی در گفت‌وگوهای کلاسی استفاده کرد.[۸۰]
  • Liulishuo، یک پلتفرم آنلاین آموزش زبان انگلیسی، از تنسورفلو برای ایجاد یک برنامه درسی تطبیقی برای هر دانش‌آموز استفاده کرد.[۸۱] تنسورفلو برای ارزیابی توانایی‌های فعلی دانش‌آموزان به‌کار گرفته شد و همچنین در تصمیم‌گیری درباره این‌که بر اساس این توانایی‌ها چه محتوایی نمایش داده شود، نقش داشت.[۸۱]

خرده‌فروشی

[ویرایش]
  • پلتفرم تجارت الکترونیک کاروسیل از تنسورفلو برای ارائه پیشنهادهای شخصی‌سازی‌شده به مشتریان استفاده کرد.[۷۷]
  • شرکت لوازم آرایشی مدیفیس[ژ] از تنسورفلو برای ایجاد یک تجربه واقعیت افزوده استفاده کرد تا مشتریان بتوانند سایه‌های مختلف آرایش را روی چهره خود امتحان کنند.[۸۲]
مقایسهٔ سال ۲۰۱۶ از عکس اصلی (چپ) و تصویری که سبک عصبی TensorFlow روی آن اعمال شده است (راست)

پژوهش

[ویرایش]

جستارهای وابسته

[ویرایش]

یادداشت‌ها

[ویرایش]
  1. ↑ TensorFlow Graphics
  2. ↑ high bandwidth memory (HBM)
  3. ↑ Edge TPU
  4. ↑ TensorFlow Lite
  5. ↑ TensorFlow Lite for Microcontrollers
  6. ↑ uTensor
  7. ↑ TensorFlow Eager
  8. ↑ Define-by-Run
  9. ↑ TensorFlow Serving
  10. ↑ TFLite
  11. ↑ FlatBuffers
  12. ↑ TensorFlow Extended
  13. ↑ TensorFlow Recommenders
  14. ↑ ModiFace

مراجع

[ویرایش]
  1. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  2. ↑ TensorFlow: Open source machine learning. Google. 2015. Archived from the original on November 11, 2021. «این یک نرم‌افزار یادگیری ماشین است که برای انواع گوناگونی از وظایف ادراکی و درک زبان مورد استفاده قرار می‌گیرد» — جفری دین، دقیقهٔ ۰:۴۷ از ۲:۱۷ در ویدئوی یوتیوب
  3. ↑ "Top 30 Open Source Projects". Open Source Project Velocity by CNCF. Archived from the original on September 3, 2023. Retrieved October 12, 2023.
  4. ↑ (Video clip by Google about TensorFlow 2015) در دقیقهٔ ۰:۱۵ از ۲:۱۷
  5. ↑ (Video clip by Google about TensorFlow 2015) در دقیقهٔ ۰:۲۶ از ۲:۱۷
  6. ↑ (Dean et al 2015، ص. 2)
  7. ↑ "Credits". TensorFlow.org. Archived from the original on November 17, 2015. Retrieved November 10, 2015.
  8. ↑ Metz, Cade (November 9, 2015). "Google Just Open Sourced TensorFlow, Its Artificial Intelligence Engine". Wired. Archived from the original on November 9, 2015. Retrieved November 10, 2015.
  9. ↑ خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام :12 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  10. ↑ "API Documentation". Archived from the original on November 16, 2015. Retrieved June 27, 2018.
  11. ↑ Dean, Jeff; Monga, Rajat; et al. (November 9, 2015). "TensorFlow: Large-scale machine learning on heterogeneous systems" (PDF). TensorFlow.org. Google Research. Archived (PDF) from the original on November 20, 2015. Retrieved November 10, 2015.
  12. ↑ Perez, Sarah (November 9, 2015). "Google Open-Sources The Machine Learning Tech Behind Google Photos Search, Smart Reply And More". TechCrunch. Archived from the original on November 9, 2015. Retrieved November 11, 2015.
  13. ↑ Oremus, Will (November 9, 2015). "What Is TensorFlow, and Why Is Google So Excited About It?". Slate. Archived from the original on November 10, 2015. Retrieved November 11, 2015.
  14. ↑ Ward-Bailey, Jeff (November 25, 2015). "Google chairman: We're making 'real progress' on artificial intelligence". CSMonitor. Archived from the original on September 16, 2015. Retrieved November 25, 2015.
  15. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  16. ↑ Metz, Cade (November 10, 2015). "TensorFlow, Google's Open Source AI, Points to a Fast-Changing Hardware World". Wired. Archived from the original on November 11, 2015. Retrieved November 11, 2015.
  17. ↑ Kudale, Aniket Eknath (June 8, 2020). "Building a Facial Expression Recognition App Using TensorFlow.js". Open Source For U. Archived from the original on October 11, 2024. Retrieved April 19, 2025.
  18. ↑ MSV, Janakiram (February 24, 2021). "The Ultimate Guide to Machine Learning Frameworks". The New Stack. Archived from the original on December 24, 2024. Retrieved April 19, 2025.
  19. ↑ "Introduction to tensors". tensorflow.org. Archived from the original on May 26, 2024. Retrieved March 3, 2024.
  20. ↑ Machine Learning: Google I/O 2016 Minute 07:30/44:44. بایگانی‌شده در دسامبر ۲۱, ۲۰۱۶ توسط Wayback Machine. Retrieved June 5, 2016.
  21. ↑ TensorFlow (March 30, 2018). "Introducing TensorFlow.js: Machine Learning in Javascript". Medium. Archived from the original on March 30, 2018. Retrieved May 24, 2019.
  22. ↑ TensorFlow (January 14, 2019). "What's coming in TensorFlow 2.0". Medium. Archived from the original on January 14, 2019. Retrieved May 24, 2019.
  23. ↑ TensorFlow (September 30, 2019). "TensorFlow 2.0 is now available!". Medium. Archived from the original on October 7, 2019. Retrieved November 24, 2019.
  24. ↑ TensorFlow (May 9, 2019). "Introducing TensorFlow Graphics: Computer Graphics Meets Deep Learning". Medium. Archived from the original on May 9, 2019. Retrieved May 24, 2019.
  25. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  26. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  27. ↑ MSV, Janakiram (February 24, 2021). "The Ultimate Guide to Machine Learning Frameworks". The New Stack. Archived from the original on December 24, 2024. Retrieved April 19, 2025.
  28. ↑ "Introduction to tensors". tensorflow.org. Archived from the original on May 26, 2024. Retrieved March 3, 2024.
  29. ↑ TensorFlow (March 30, 2018). "Introducing TensorFlow.js: Machine Learning in Javascript". Medium. Archived from the original on March 30, 2018. Retrieved May 24, 2019.
  30. ↑ TensorFlow (January 14, 2019). "What's coming in TensorFlow 2.0". Medium. Archived from the original on January 14, 2019. Retrieved May 24, 2019.
  31. ↑ TensorFlow (January 16, 2019). "TensorFlow Lite Now Faster with Mobile GPUs (Developer Preview)". Medium. Archived from the original on January 16, 2019. Retrieved May 24, 2019.
  32. ↑ "uTensor and Tensor Flow Announcement | Mbed". os.mbed.com. Archived from the original on May 9, 2019. Retrieved May 24, 2019.
  33. 1 2 He, Horace (October 10, 2019). "The State of Machine Learning Frameworks in 2019". The Gradient. Archived from the original on October 10, 2019. Retrieved May 22, 2020.
  34. ↑ Ciaramella, Alberto; Ciaramella, Marco (July 2024). Introduction to Artificial Intelligence: from data analysis to generative AI. Intellisemantic Editions. ISBN 9788894787603.
  35. 1 2 "Introduction to gradients and automatic differentiation". TensorFlow (به انگلیسی). Archived from the original on October 28, 2021. Retrieved November 4, 2021.
  36. 1 2 3 "Eager execution | TensorFlow Core". TensorFlow (به انگلیسی). Archived from the original on November 4, 2021. Retrieved November 4, 2021.
  37. 1 2 "Module: tf.distribute | TensorFlow Core v2.6.1". TensorFlow (به انگلیسی). Archived from the original on May 26, 2024. Retrieved November 4, 2021.
  38. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  39. 1 2 "Module: tf.losses | TensorFlow Core v2.6.1". TensorFlow (به انگلیسی). Archived from the original on October 27, 2021. Retrieved November 4, 2021.
  40. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  41. 1 2 "Module: tf.nn | TensorFlow Core v2.7.0". TensorFlow (به انگلیسی). Archived from the original on May 26, 2024. Retrieved November 6, 2021.
  42. ↑ "Module: tf.optimizers | TensorFlow Core v2.7.0". TensorFlow (به انگلیسی). Archived from the original on October 30, 2021. Retrieved November 6, 2021.
  43. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  44. ↑ خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام introduction2 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  45. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  46. ↑ "Introduction to TensorFlow". TensorFlow (به انگلیسی). Archived from the original on January 20, 2023. Retrieved October 28, 2021.
  47. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  48. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  49. ↑ "Introduction to tensors". tensorflow.org. Archived from the original on May 26, 2024. Retrieved March 3, 2024.
  50. ↑ TensorFlow (March 30, 2018). "Introducing TensorFlow.js: Machine Learning in Javascript". Medium. Archived from the original on March 30, 2018. Retrieved May 24, 2019.
  51. ↑ خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام :133 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  52. ↑ TensorFlow (January 14, 2019). "What's coming in TensorFlow 2.0". Medium. Archived from the original on January 14, 2019. Retrieved May 24, 2019.
  53. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  54. ↑ TensorFlow (January 16, 2019). "TensorFlow Lite Now Faster with Mobile GPUs (Developer Preview)". Medium. Archived from the original on January 16, 2019. Retrieved May 24, 2019.
  55. ↑ MSV, Janakiram (February 24, 2021). "The Ultimate Guide to Machine Learning Frameworks". The New Stack. Archived from the original on December 24, 2024. Retrieved April 19, 2025.
  56. ↑ "Introduction to tensors". tensorflow.org. Archived from the original on May 26, 2024. Retrieved March 3, 2024.
  57. ↑ TensorFlow (March 30, 2018). "Introducing TensorFlow.js: Machine Learning in Javascript". Medium. Archived from the original on March 30, 2018. Retrieved May 24, 2019.
  58. ↑ TensorFlow (January 14, 2019). "What's coming in TensorFlow 2.0". Medium. Archived from the original on January 14, 2019. Retrieved May 24, 2019.
  59. ↑ Platanios, Anthony (February 17, 2018). "tensorflow_scala: TensorFlow API for the Scala Programming Language". GitHub. Archived from the original on February 18, 2019. Retrieved February 18, 2018.
  60. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  61. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  62. ↑ "fazibear/tensorflow.cr". GitHub (به انگلیسی). Archived from the original on June 27, 2018. Retrieved October 10, 2018.
  63. ↑ "tensorflow package - github.com/tensorflow/tensorflow/tensorflow/go - pkg.go.dev". pkg.go.dev. Archived from the original on November 6, 2021. Retrieved November 6, 2021.
  64. ↑ "Swift for TensorFlow (In Archive Mode)". TensorFlow (به انگلیسی). Archived from the original on November 6, 2021. Retrieved November 6, 2021.
  65. 1 2 3 خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام :14 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  66. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  67. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  68. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  69. 1 2 "TensorFlow Extended (TFX) | ML Production Pipelines". TensorFlow (به انگلیسی). Archived from the original on November 4, 2021. Retrieved November 2, 2021.
  70. ↑ خطای یادکرد: خطای یادکرد:برچسب <ref>‎ غیرمجاز؛ متنی برای یادکردهای با نام :142 وارد نشده است. (صفحهٔ راهنما را مطالعه کنید.).
  71. 1 2 3 "Customization basics: tensors and operations | TensorFlow Core". TensorFlow (به انگلیسی). Archived from the original on November 6, 2021. Retrieved November 6, 2021.
  72. 1 2 "Guide | TensorFlow Core". TensorFlow (به انگلیسی). Archived from the original on July 17, 2019. Retrieved November 4, 2021.
  73. 1 2 "Libraries & extensions". TensorFlow (به انگلیسی). Archived from the original on November 4, 2021. Retrieved November 4, 2021.
  74. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  75. ↑ "Google Colaboratory". colab.research.google.com (به انگلیسی). Archived from the original on February 3, 2021. Retrieved November 6, 2021.
  76. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  77. 1 2 3 4 "Case Studies and Mentions". TensorFlow (به انگلیسی). Archived from the original on October 26, 2021. Retrieved November 4, 2021.
  78. 1 2 "Ranking Tweets with TensorFlow" (به انگلیسی). Archived from the original on November 4, 2021. Retrieved November 4, 2021.
  79. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  80. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  81. 1 2 Xulin. "流利说基于 TensorFlow 的自适应系统实践". Weixin Official Accounts Platform. Archived from the original on November 6, 2021. Retrieved November 4, 2021.
  82. ↑ Abadi, Martín; Barham, Paul; Chen, Jianmin; Chen, Zhifeng; Davis, Andy; Dean, Jeffrey; Devin, Matthieu; Ghemawat, Sanjay; Irving, Geoffrey; Isard, Michael; Kudlur, Manjunath; Levenberg, Josh; Monga, Rajat; Moore, Sherry; Murray, Derek G.; Steiner, Benoit; Tucker, Paul; Vasudevan, Vijay; Warden, Pete; Wicke, Martin; Yu, Yuan; Zheng, Xiaoqiang (2016). TensorFlow: A System for Large-Scale Machine Learning (PDF). Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16). arXiv:1605.08695. Archived (PDF) from the original on December 12, 2020. Retrieved October 26, 2020.
  83. ↑ Byrne, Michael (November 11, 2015). "Google Offers Up Its Entire Machine Learning Library as Open-Source Software". Vice. Archived from the original on January 25, 2021. Retrieved November 11, 2015.

مطالعات بیشتر

[ویرایش]

پیوند به بیرون

[ویرایش]
برگرفته از «https://fa.wikipedia.org/w/index.php?title=تنسورفلو&oldid=43227538»