Jump to content

Тензорфлоу

(Перенаправлено с DistBelief )

Тензорфлоу
Разработчик(и) Google Brain Команда [1]
Первоначальный выпуск 9 ноября 2015 г .; 8 лет назад ( 09.11.2015 )
Репозиторий github /тензорный поток /тензорный поток
Написано в Питон , С++ , CUDA
Платформа Linux , macOS , Windows , Android , JavaScript [2]
Тип машинного обучения Библиотека
Лицензия Лицензия Апач 2.0
Веб-сайт тензорный поток .org

TensorFlow — это с открытым исходным кодом бесплатная библиотека программного обеспечения для машинного обучения и искусственного интеллекта . Его можно использовать для решения самых разных задач, но особое внимание уделяется обучению и выводу глубоких нейронных сетей . [3] [4]

Он был разработан командой Google Brain для внутреннего использования Google в исследованиях и производстве. [5] [6] [7] Первоначальная версия была выпущена под лицензией Apache 2.0 в 2015 году. [1] [8] Google выпустил обновленную версию TensorFlow 2.0 в сентябре 2019 года. [9]

TensorFlow можно использовать в самых разных языках программирования, включая Python , JavaScript , C++ и Java . [10] облегчая его использование в ряде приложений во многих секторах.

Начиная с 2011 года Google Brain создал DistBelief как собственную систему машинного обучения , основанную на глубокого обучения нейронных сетях . Его использование быстро росло в различных компаниях Alphabet как в исследовательских, так и в коммерческих целях. [11] [12] Google поручил нескольким ученым-компьютерщикам, включая Джеффа Дина , упростить и реорганизовать кодовую базу DistBelief в более быструю и надежную библиотеку прикладного уровня, которая стала TensorFlow. [13] В 2009 году команда под руководством Джеффри Хинтона реализовала обобщенное обратное распространение ошибки и другие улучшения, которые позволили генерировать нейронные сети с существенно более высокой точностью, например, снизить на 25% ошибки в распознавании речи . [14]

Тензорфлоу

[ редактировать ]

TensorFlow — это система Google Brain второго поколения. Версия 1.0.0 была выпущена 11 февраля 2017 г. [15] В то время как эталонная реализация работает на одном устройстве, TensorFlow может работать на нескольких процессорах и графических процессорах (с дополнительными расширениями CUDA и SYCL для вычислений общего назначения на графических процессорах ). [16] TensorFlow доступен на 64-разрядных версиях Linux , macOS , Windows и мобильных компьютерных платформах, включая Android и iOS . [ нужна ссылка ]

Его гибкая архитектура позволяет легко развертывать вычисления на различных платформах (ЦП, графические процессоры, TPU ), от настольных компьютеров до кластеров серверов, мобильных и периферийных устройств .

Вычисления TensorFlow выражаются в виде с отслеживанием состояния потоков данных графов . Название TensorFlow происходит от операций, которые такие нейронные сети выполняют над многомерными массивами данных, которые называются тензорами . [17] Во время конференции Google I/O в июне 2016 года Джефф Дин заявил, что TensorFlow упоминается в 1500 репозиториях на GitHub , из которых только 5 принадлежат Google. [18]

В марте 2018 года Google анонсировала TensorFlow.js версии 1.0 для машинного обучения на JavaScript . [19]

В январе 2019 года Google анонсировала TensorFlow 2.0. [20] Официально он стал доступен в сентябре 2019 года. [9]

В мае 2019 года Google анонсировала TensorFlow Graphics для глубокого обучения компьютерной графике. [21]

Тензорный процессор (ТПУ)

[ редактировать ]

В мае 2016 года Google анонсировала свой тензорный процессор (TPU), специализированную интегральную схему ( ASIC , аппаратный чип), созданную специально для машинного обучения и адаптированную для TensorFlow. TPU — это программируемый ускоритель искусственного интеллекта, предназначенный для обеспечения высокой производительности низкой точности арифметических операций (например, 8-битных ) и ориентированный на использование или запуск моделей, а не на их обучение . Компания Google объявила, что использует TPU в своих центрах обработки данных уже более года и обнаружила, что они обеспечивают на порядок лучшую оптимизированную производительность на ватт для машинного обучения. [22]

В мае 2017 года Google объявила о втором поколении, а также о доступности TPU в Google Compute Engine . [23] TPU второго поколения обеспечивают производительность до 180 терафлопс , а при объединении в кластеры по 64 TPU — до 11,5 терафлопс . [ нужна ссылка ]

до 420 терафлопс В мае 2018 года Google анонсировала TPU третьего поколения, обеспечивающие производительность и 128 ГБ памяти с высокой пропускной способностью (HBM). Модули Cloud TPU v3 обеспечивают более 100 петафлопс и HBM емкостью 32 ТБ. производительность [24]

В феврале 2018 года Google объявила, что делает TPU доступными в бета-версии на Google Cloud Platform . [25]

Край ТПУ

[ редактировать ]

В июле 2018 года был анонсирован Edge TPU. Edge TPU — это специально созданный Google чип ASIC, предназначенный для запуска моделей машинного обучения (ML) TensorFlow Lite на небольших клиентских вычислительных устройствах, таких как смартфоны. [26] известные как периферийные вычисления .

ТензорФлоу Лайт

[ редактировать ]

В мае 2017 года Google анонсировала программный стек TensorFlow Lite, специально предназначенный для мобильной разработки. [27] В январе 2019 года команда TensorFlow выпустила предварительную версию для разработчиков механизма вывода мобильного графического процессора с вычислительными шейдерами OpenGL ES 3.1 на устройствах Android и вычислительными шейдерами Metal на устройствах iOS. [28] их TensorFlow Lite Micro (также известного как TensorFlow Lite для микроконтроллеров) и uTensor от ARM . В мае 2019 года Google объявила о слиянии [29]

ТензорФлоу 2.0

[ редактировать ]

Поскольку рыночная доля TensorFlow среди исследовательских работ снижалась в пользу PyTorch , [30] Команда TensorFlow объявила о выпуске новой основной версии библиотеки в сентябре 2019 года. В TensorFlow 2.0 было представлено множество изменений, наиболее значительным из которых является TensorFloweater, который изменил схему автоматического дифференцирования со статического вычислительного графа на схему «Определение за прогоном». Схема, первоначально ставшая популярной благодаря Chainer , а затем PyTorch . [30] Другие важные изменения включали удаление старых библиотек, перекрестную совместимость обученных моделей в разных версиях TensorFlow и значительное улучшение производительности на графическом процессоре. [31] [ нужен неосновной источник ]

Автодифференцирование

[ редактировать ]

Автодифференцирование — это процесс автоматического расчета вектора градиента модели по каждому из ее параметров. Благодаря этой функции TensorFlow может автоматически вычислять градиенты параметров модели, что полезно для таких алгоритмов, как обратное распространение ошибки , которым требуются градиенты для оптимизации производительности. [32] Для этого платформа должна отслеживать порядок операций, выполняемых с входными тензорами в модели, а затем вычислять градиенты относительно соответствующих параметров. [32]

Стремительное исполнение

[ редактировать ]

TensorFlow включает режим «быстрого выполнения», что означает, что операции оцениваются немедленно, а не добавляются в вычислительный граф, который выполняется позже. [33] Код, выполняемый с энтузиазмом, можно шаг за шагом проверять с помощью отладчика, поскольку данные пополняются в каждой строке кода, а не позже в вычислительном графе. [33] Эта парадигма выполнения считается более простой для отладки из-за ее пошаговой прозрачности. [33]

Распространение

[ редактировать ]

Как при активном выполнении, так и при выполнении графов, TensorFlow предоставляет API для распределения вычислений между несколькими устройствами с различными стратегиями распределения. [34] Такие распределенные вычисления часто могут ускорить выполнение обучения и оценки моделей TensorFlow и являются обычной практикой в ​​области искусственного интеллекта. [34] [35]

Для обучения и оценки моделей TensorFlow предоставляет набор функций потерь (также известных как функции стоимости ). [36] Некоторые популярные примеры включают среднеквадратическую ошибку (MSE) и двоичную перекрестную энтропию (BCE). [36]

Чтобы оценить производительность моделей машинного обучения, TensorFlow предоставляет API-доступ к часто используемым метрикам. Примеры включают различные метрики точности (двоичные, категориальные, разреженные категориальные), а также другие метрики, такие как точность, отзыв и пересечение через объединение (IoU). [37]

TensorFlow.nn — модуль для выполнения примитивных операций нейронной сети над моделями. [38] Некоторые из этих операций включают в себя вариации сверток (1/2/3D, Atrous, по глубине), функции активации ( Softmax , RELU , GELU, Sigmoid и т. д.) и их вариации, а также другие операции ( max-pooling , смещение-добавление, и т. д.). [38]

Оптимизаторы

[ редактировать ]

Tensor Flow предлагает набор оптимизаторов для обучения нейронных сетей, включая ADAM , ADAGRAD и Stochastic Gradient Descent (SGD). [39] При обучении модели разные оптимизаторы предлагают разные режимы настройки параметров, что часто влияет на сходимость и производительность модели. [40]

Использование и расширения

[ редактировать ]

Тензорфлоу

[ редактировать ]

TensorFlow служит базовой платформой и библиотекой для машинного обучения. API-интерфейсы TensorFlow используют Keras , чтобы позволить пользователям создавать свои собственные модели машинного обучения. [41] Помимо создания и обучения модели, TensorFlow также может помочь загрузить данные для обучения модели и развернуть ее с помощью TensorFlow Serving. [42]

TensorFlow предоставляет стабильный Python программный интерфейс ( API ), [43] а также API без гарантии обратной совместимости для Javascript , [44] С++ , [45] и Ява . [46] [10] Пакеты привязки сторонних языков также доступны для C# . [47] [48] Хаскелл , [49] Юля , [50] МАТЛАБ , [51] Объект Паскаль , [52] Р , [53] Скала , [54] Ржавчина , [55] ОКамл , [56] и Кристалл . [57] Привязки, которые сейчас заархивированы и не поддерживаются, включают Go. [58] и Свифт . [59]

TensorFlow также имеет библиотеку для машинного обучения на JavaScript. Используя предоставленные API-интерфейсы JavaScript , TensorFlow.js позволяет пользователям использовать либо модели Tensorflow.js, либо преобразованные модели из TensorFlow или TFLite, переобучать данные модели и запускать их в Интернете. [42] [60]

TensorFlow Lite имеет API для мобильных приложений или встроенных устройств для создания и развертывания моделей TensorFlow. [61] Эти модели сжаты и оптимизированы, чтобы быть более эффективными и иметь более высокую производительность на устройствах меньшей емкости. [62]

TensorFlow Lite использует FlatBuffers в качестве формата сериализации данных для сетевых моделей, избегая формата протокольных буферов, используемого стандартными моделями TensorFlow. [62]

TensorFlow Extended (сокр. TFX) предоставляет множество компонентов для выполнения всех операций, необходимых для сквозного производства. [63] Компоненты включают загрузку, проверку и преобразование данных, настройку, обучение и оценку модели машинного обучения, а также запуск самой модели в производство. [42] [63]

Интеграции

[ редактировать ]

Numpy — одна из самых популярных библиотек данных Python , а TensorFlow предлагает интеграцию и совместимость со своими структурами данных. [64] Numpy NDarrays, собственный тип данных библиотеки, автоматически преобразуется в тензоры TensorFlow в операциях TF; то же самое верно и наоборот. [64] Это позволяет двум библиотекам работать в унисон, не требуя от пользователя написания явных преобразований данных. Более того, интеграция распространяется на оптимизацию памяти за счет того, что TF Tensors по возможности совместно используют базовые представления памяти Numpy NDarrays. [64]

Расширения

[ редактировать ]

TensorFlow также предлагает множество библиотек и расширений для развития и расширения используемых моделей и методов. [65] Например, TensorFlow Recommenders и TensorFlow Graphics — это библиотеки для соответствующих функций в системах рекомендаций и графики, TensorFlow Federated предоставляет основу для децентрализованных данных, а TensorFlow Cloud позволяет пользователям напрямую взаимодействовать с Google Cloud для интеграции своего локального кода в Google Cloud. [66] Другие надстройки, библиотеки и платформы включают оптимизацию модели TensorFlow, вероятность TensorFlow, TensorFlow Quantum и леса решений TensorFlow. [65] [66]

Google также выпустила Colaboratory, среду для ноутбуков TensorFlow Jupyter, не требующую какой-либо настройки. [67] Он работает в Google Cloud и предоставляет пользователям бесплатный доступ к графическим процессорам, а также возможность хранить и делиться записными книжками на Google Диске . [68]

Гугл Джакс

[ редактировать ]

Google JAX машинного обучения — это платформа для преобразования числовых функций. [69] [70] [71] Он описывается как объединение модифицированной версии autograd (автоматическое получение функции градиента путем дифференцирования функции) и XLA (ускоренная линейная алгебра) TensorFlow. следовать структуре и рабочему процессу NumPy Он разработан так, чтобы максимально точно и работает с TensorFlow, а также с другими платформами, такими как PyTorch . Основными функциями JAX являются: [69]

  1. град: автоматическое дифференцирование
  2. Джит: компиляция
  3. vmap: автоматическая векторизация
  4. pmap: программирование SPMD

Приложения

[ редактировать ]

Медицинский

[ редактировать ]

Компания GE Healthcare использовала TensorFlow, чтобы повысить скорость и точность МРТ при идентификации конкретных частей тела. [72] Google использовал TensorFlow для создания DermAssist, бесплатного мобильного приложения, которое позволяет пользователям фотографировать свою кожу и выявлять потенциальные осложнения со здоровьем. [73] Компания Sinovation Ventures использовала TensorFlow для выявления и классификации глазных заболеваний по данным оптической когерентной томографии (ОКТ). [73]

Социальные сети

[ редактировать ]

Twitter реализовал TensorFlow для ранжирования твитов по важности для данного пользователя и изменил свою платформу, чтобы твиты отображались в порядке этого рейтинга. [74] Раньше твиты просто отображались в обратном хронологическом порядке. [74] Приложение для обмена фотографиями VSCO использовало TensorFlow, чтобы предлагать собственные фильтры для фотографий. [73]

Поисковая система

[ редактировать ]

Google официально выпустил RankBrain 26 октября 2015 года при поддержке TensorFlow. [75]

Образование

[ редактировать ]

InSpace, платформа виртуального обучения, использовала TensorFlow для фильтрации токсичных сообщений в чатах в классах. [76] Liulishuo, онлайн-платформа для изучения английского языка, использовала TensorFlow для создания адаптивной учебной программы для каждого учащегося. [77] TensorFlow использовался для точной оценки текущих способностей учащегося, а также помогал выбрать лучший будущий контент для показа на основе этих способностей. [77]

Розничная торговля

[ редактировать ]

Платформа электронной коммерции Carousell использовала TensorFlow для предоставления персонализированных рекомендаций клиентам. [73] Косметическая компания ModiFace использовала TensorFlow для создания дополненной реальности, позволяющей клиентам тестировать различные оттенки макияжа на своем лице. [78]

Сравнение исходной фотографии 2016 года (слева) и нейронного стиля TensorFlow (справа)

Исследовать

[ редактировать ]

TensorFlow является основой для для автоматического создания титров к изображениям программного обеспечения DeepDream . [79]

См. также

[ редактировать ]
  1. ^ Перейти обратно: а б «Кредиты» . TensorFlow.org . Архивировано из оригинала 17 ноября 2015 года . Проверено 10 ноября 2015 г.
  2. ^ «ТензорФлоу.js» . Архивировано из оригинала 6 мая 2018 года . Проверено 28 июня 2018 г.
  3. ^ Абади, Мартин; Бархам, Пол; Чен, Цзяньминь; Чен, Чжифэн; Дэвис, Энди; Дин, Джеффри; Девин, Матье; Гемават, Санджай; Ирвинг, Джеффри; Айсард, Майкл; Кудлур, Манджунатх; Левенберг, Джош; Монга, Раджат; Мур, Шерри; Мюррей, Дерек Г.; Штайнер, Бенуа; Такер, Пол; Васудеван, Виджай; Смотритель, Пит; Вике, Мартин; Ю, Юань; Чжэн, Сяоцян (2016). TensorFlow: система крупномасштабного машинного обучения (PDF) . Материалы 12-го симпозиума USENIX по проектированию и внедрению операционных систем (OSDI '16). arXiv : 1605.08695 . Архивировано (PDF) из оригинала 12 декабря 2020 г. Проверено 26 октября 2020 г.
  4. ^ TensorFlow: машинное обучение с открытым исходным кодом . Google. 2015. Архивировано из оригинала 11 ноября 2021 года. «Это программное обеспечение машинного обучения, используемое для различных видов задач восприятия и понимания языка» – Джеффри Дин, минута 0:47 / 2:17 из клипа на YouTube.
  5. ^ Видеоклип Google о TensorFlow 2015 на минуте 0:15/2:17.
  6. ^ Видеоклип Google о TensorFlow 2015 на минуте 0:26/2:17
  7. ^ Дин и др. 2015 , с. 2
  8. ^ Мец, Кейд (9 ноября 2015 г.). «Google только что открыл исходный код TensorFlow, своего механизма искусственного интеллекта» . Проводной . Архивировано из оригинала 9 ноября 2015 года . Проверено 10 ноября 2015 г.
  9. ^ Перейти обратно: а б TensorFlow (30 сентября 2019 г.). «TensorFlow 2.0 теперь доступен!» . Середина . Архивировано из оригинала 7 октября 2019 года . Проверено 24 ноября 2019 г.
  10. ^ Перейти обратно: а б «API-документация» . Архивировано из оригинала 16 ноября 2015 года . Проверено 27 июня 2018 г. ,
  11. ^ Дин, Джефф ; Монга, Раджат; и др. (9 ноября 2015 г.). «TensorFlow: крупномасштабное машинное обучение в гетерогенных системах» (PDF) . TensorFlow.org . Google Исследования. Архивировано (PDF) из оригинала 20 ноября 2015 г. Проверено 10 ноября 2015 г.
  12. ^ Перес, Сара (9 ноября 2015 г.). «Открытые исходные коды Google: технология машинного обучения, лежащая в основе поиска Google Фото, умного ответа и многого другого» . ТехКранч . Архивировано из оригинала 9 ноября 2015 года . Проверено 11 ноября 2015 г.
  13. ^ Оремус, Уилл (9 ноября 2015 г.). «Что такое TensorFlow и почему Google так в восторге от него?» . Сланец . Архивировано из оригинала 10 ноября 2015 года . Проверено 11 ноября 2015 г.
  14. ^ Уорд-Бейли, Джефф (25 ноября 2015 г.). «Председатель Google: Мы добиваемся «реального прогресса» в области искусственного интеллекта» . CSMonitor . Архивировано из оригинала 16 сентября 2015 года . Проверено 25 ноября 2015 г.
  15. ^ Разработчики TensorFlow (2022 г.). «Выпуск Tensorflow 1.0.0» . Гитхаб . дои : 10.5281/zenodo.4724125 . Архивировано из оригинала 27 февраля 2021 года . Проверено 24 июля 2017 г.
  16. ^ Мец, Кейд (10 ноября 2015 г.). «TensorFlow, ИИ с открытым исходным кодом от Google, указывает на быстро меняющийся мир аппаратного обеспечения» . Проводной . Архивировано из оригинала 11 ноября 2015 года . Проверено 11 ноября 2015 г.
  17. ^ «Введение в тензоры» . tensorflow.org. Архивировано из оригинала 26 мая 2024 года . Проверено 3 марта 2024 г.
  18. ^ Машинное обучение: Google I/O 2016, минута 07:30/44:44. Архивировано 21 декабря 2016 г., на Wayback Machine accessdate=2016-06-05.
  19. ^ TensorFlow (30 марта 2018 г.). «Представляем TensorFlow.js: машинное обучение в Javascript» . Середина . Архивировано из оригинала 30 марта 2018 года . Проверено 24 мая 2019 г.
  20. ^ TensorFlow (14 января 2019 г.). «Что будет в TensorFlow 2.0» . Середина . Архивировано из оригинала 14 января 2019 года . Проверено 24 мая 2019 г.
  21. ^ TensorFlow (9 мая 2019 г.). «Представляем графику TensorFlow: компьютерная графика и глубокое обучение» . Середина . Архивировано из оригинала 9 мая 2019 года . Проверено 24 мая 2019 г.
  22. ^ Жуппи, Норм . «Google усложняет задачи машинного обучения с помощью специального чипа TPU» . Блог об облачной платформе Google . Архивировано из оригинала 18 мая 2016 года . Проверено 19 мая 2016 г.
  23. ^ «Создавайте и обучайте модели машинного обучения на наших новых TPU Google Cloud» . Google . 17 мая 2017. Архивировано из оригинала 17 мая 2017 года . Проверено 18 мая 2017 г.
  24. ^ «Облачный ТПУ» . Гугл облако . Архивировано из оригинала 17 мая 2017 года . Проверено 24 мая 2019 г.
  25. ^ «Ускорители машинного обучения Cloud TPU теперь доступны в бета-версии» . Блог об облачной платформе Google . Архивировано из оригинала 12 февраля 2018 года . Проверено 12 февраля 2018 г.
  26. ^ Кунду, Кишалая (26 июля 2018 г.). «Google анонсирует Edge TPU и Cloud IoT Edge на выставке Cloud Next 2018» . Бибом . Архивировано из оригинала 26 мая 2024 года . Проверено 2 февраля 2019 г.
  27. ^ «Новая платформа машинного обучения Google позволит добавить в ваш телефон больше искусственного интеллекта» . 17 мая 2017. Архивировано из оригинала 17 мая 2017 года . Проверено 19 мая 2017 г.
  28. ^ TensorFlow (16 января 2019 г.). «TensorFlow Lite теперь быстрее с мобильными графическими процессорами (предварительная версия для разработчиков)» . Середина . Архивировано из оригинала 16 января 2019 года . Проверено 24 мая 2019 г.
  29. ^ «Объявление uTensor и Tensor Flow | Mbed» . os.mbed.com . Архивировано из оригинала 9 мая 2019 года . Проверено 24 мая 2019 г.
  30. ^ Перейти обратно: а б Он, Гораций (10 октября 2019 г.). «Состояние систем машинного обучения в 2019 году» . Градиент. Архивировано из оригинала 10 октября 2019 года . Проверено 22 мая 2020 г.
  31. ^ «TensorFlow 2.0 теперь доступен!» . Блог TensorFlow. 30 сентября 2019 года. Архивировано из оригинала 30 октября 2019 года . Проверено 22 мая 2020 г.
  32. ^ Перейти обратно: а б «Введение в градиенты и автоматическое дифференцирование» . ТензорФлоу . Архивировано из оригинала 28 октября 2021 года . Проверено 4 ноября 2021 г.
  33. ^ Перейти обратно: а б с «Стремительное исполнение | TensorFlow Core» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  34. ^ Перейти обратно: а б «Модуль: tf.distribute | TensorFlow Core v2.6.1» . ТензорФлоу . Архивировано из оригинала 26 мая 2024 года . Проверено 4 ноября 2021 г.
  35. ^ Сигеру., Омату (2014). Распределенные вычисления и искусственный интеллект, 11-я Международная конференция . Международное издательство Спрингер. ISBN  978-3-319-07593-8 . OCLC   980886715 . Архивировано из оригинала 26 мая 2024 года . Проверено 4 ноября 2021 г.
  36. ^ Перейти обратно: а б «Модуль: tf.losses | TensorFlow Core v2.6.1» . ТензорФлоу . Архивировано из оригинала 27 октября 2021 года . Проверено 4 ноября 2021 г.
  37. ^ «Модуль: tf.metrics | TensorFlow Core v2.6.1» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  38. ^ Перейти обратно: а б «Модуль: tf.nn | TensorFlow Core v2.7.0» . ТензорФлоу . Архивировано из оригинала 26 мая 2024 года . Проверено 6 ноября 2021 г.
  39. ^ «Модуль: tf.optimizers | TensorFlow Core v2.7.0» . ТензорФлоу . Архивировано из оригинала 30 октября 2021 года . Проверено 6 ноября 2021 г.
  40. ^ Дого, Э.М.; Афолаби, О.Дж.; Нвулу, Нью-Йорк; Твала, Б.; Айгбавбоа, Колорадо (декабрь 2018 г.). «Сравнительный анализ алгоритмов оптимизации на основе градиентного спуска в сверточных нейронных сетях» . Международная конференция по вычислительной технике, электронике и механическим системам (CTEMS) 2018 . стр. 92–99. дои : 10.1109/CTEMS.2018.8769211 . ISBN  978-1-5386-7709-4 . S2CID   198931032 . Архивировано из оригинала 26 мая 2024 года . Проверено 25 июля 2023 г.
  41. ^ «TensorFlow Core | Машинное обучение для начинающих и экспертов» . ТензорФлоу . Архивировано из оригинала 20 января 2023 года . Проверено 4 ноября 2021 г.
  42. ^ Перейти обратно: а б с «Введение в TensorFlow» . ТензорФлоу . Архивировано из оригинала 20 января 2023 года . Проверено 28 октября 2021 г.
  43. ^ «Все символы в TensorFlow 2 | TensorFlow Core v2.7.0» . ТензорФлоу . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г.
  44. ^ «ТензорФлоу.js» . js.tensorflow.org . Архивировано из оригинала 26 мая 2024 года . Проверено 6 ноября 2021 г.
  45. ^ «Справочник по API TensorFlow C++ | TensorFlow Core v2.7.0» . ТензорФлоу . Архивировано из оригинала 20 января 2023 года . Проверено 6 ноября 2021 г.
  46. ^ "org.tensorflow | Java" . ТензорФлоу . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г.
  47. ^ Икаса, Мигель де (17 февраля 2018 г.). «TensorFlowSharp: API TensorFlow для языков .NET» . Гитхаб . Архивировано из оригинала 24 июля 2017 года . Проверено 18 февраля 2018 г.
  48. ^ Чен, Хайпин (11 декабря 2018 г.). «TensorFlow.NET: Стандартные привязки .NET для TensorFlow» . Гитхаб . Архивировано из оригинала 12 июля 2019 года . Проверено 11 декабря 2018 г.
  49. ^ «haskell: привязки Haskell для TensorFlow» . тензорный поток. 17 февраля 2018. Архивировано из оригинала 24 июля 2017 года . Проверено 18 февраля 2018 г.
  50. ^ Мальмо, Джон (12 августа 2019 г.). «Обертка Julia для TensorFlow» . Гитхаб . Архивировано из оригинала 24 июля 2017 года . Проверено 14 августа 2019 г. такие операции, как sin, * (умножение матрицы), .* (поэлементное умножение) и т. д. [..]. Сравните с Python, который требует изучения специализированных функций в пространстве имен, таких как tf.matmul.
  51. ^ «Оболочка MATLAB для TensorFlow Core» . Гитхаб . 3 ноября 2019 года. Архивировано из оригинала 14 сентября 2020 года . Проверено 13 февраля 2020 г.
  52. ^ «Используйте TensorFlow из Pascal (FreePascal, Lazarus и т. д.)» . Гитхаб . 19 января 2023 года. Архивировано из оригинала 20 января 2023 года . Проверено 20 января 2023 г.
  53. ^ «tensorflow: TensorFlow для R» . RStudio. 17 февраля 2018. Архивировано из оригинала 4 января 2017 года . Проверено 18 февраля 2018 г.
  54. ^ Платаниос, Антоний (17 февраля 2018 г.). «tensorflow_scala: API TensorFlow для языка программирования Scala» . Гитхаб . Архивировано из оригинала 18 февраля 2019 года . Проверено 18 февраля 2018 г.
  55. ^ «rust: привязки языка Rust для TensorFlow» . тензорный поток. 17 февраля 2018. Архивировано из оригинала 24 июля 2017 года . Проверено 18 февраля 2018 г.
  56. ^ Мазаре, Лоран (16 февраля 2018 г.). «tensorflow-ocaml: привязки OCaml для TensorFlow» . Гитхаб . Архивировано из оригинала 11 июня 2018 года . Проверено 18 февраля 2018 г.
  57. ^ "fazibear/tensorflow.cr" . Гитхаб . Архивировано из оригинала 27 июня 2018 года . Проверено 10 октября 2018 г.
  58. ^ «Пакет tensorflow — github.com/tensorflow/tensorflow/tensorflow/go — pkg.go.dev» . pkg.go.dev . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г.
  59. ^ «Swift для TensorFlow (в режиме архива)» . ТензорФлоу . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г.
  60. ^ «TensorFlow.js | Машинное обучение для разработчиков JavaScript» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 28 октября 2021 г.
  61. ^ «TensorFlow Lite | ML для мобильных и периферийных устройств» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 1 ноября 2021 г.
  62. ^ Перейти обратно: а б «ТензорФлоу Лайт» . ТензорФлоу . Архивировано из оригинала 2 ноября 2021 года . Проверено 1 ноября 2021 г.
  63. ^ Перейти обратно: а б «TensorFlow Extended (TFX) | Производственные конвейеры машинного обучения» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 2 ноября 2021 г.
  64. ^ Перейти обратно: а б с «Основы настройки: тензоры и операции | TensorFlow Core» . ТензорФлоу . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г.
  65. ^ Перейти обратно: а б «Руководство | TensorFlow Core» . ТензорФлоу . Архивировано из оригинала 17 июля 2019 года . Проверено 4 ноября 2021 г.
  66. ^ Перейти обратно: а б «Библиотеки и расширения» . ТензорФлоу . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  67. ^ «Колаборатория – Google» . исследование.google.com . Архивировано из оригинала 24 октября 2017 года . Проверено 10 ноября 2018 г.
  68. ^ «Колаборатория Google» . colab.research.google.com . Архивировано из оригинала 3 февраля 2021 года . Проверено 6 ноября 2021 г.
  69. ^ Перейти обратно: а б Брэдбери, Джеймс; Фростиг, Рой; Хокинс, Питер; Джонсон, Мэтью Джеймс; Лири, Крис; Маклорин, Дугал; Некула, Джордж; Пашке, Адам; Вандерплас, Джейк; Вандерман-Милн, Скай; Чжан, Цяо (18 июня 2022 г.), «JAX: Autograd and XLA» , Библиотека исходного кода астрофизики , Google, Bibcode : 2021ascl.soft11002B , заархивировано из оригинала 18 июня 2022 г. , получено 18 июня 2022 г.
  70. ^ «Использование JAX для ускорения наших исследований» . www.deepmind.com . Архивировано из оригинала 18 июня 2022 года . Проверено 18 июня 2022 г.
  71. ^ «Почему JAX от Google так популярен?» . Журнал Analytics India . 25 апреля 2022 года. Архивировано из оригинала 18 июня 2022 года . Проверено 18 июня 2022 г.
  72. ^ «Интеллектуальное сканирование с использованием глубокого обучения для МРТ» . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  73. ^ Перейти обратно: а б с д «Кейсы и упоминания» . ТензорФлоу . Архивировано из оригинала 26 октября 2021 года . Проверено 4 ноября 2021 г.
  74. ^ Перейти обратно: а б «Рейтинг твитов с помощью TensorFlow» . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  75. ^ 3,5 тыс. акций; 72kreads (2 сентября 2020 г.). «Полное руководство по алгоритму Google RankBrain» . Журнал поисковых систем . Архивировано из оригинала 6 ноября 2021 года . Проверено 6 ноября 2021 г. {{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  76. ^ «InSpace: новая платформа для видеоконференций, использующая TensorFlow.js для фильтров токсичности в чате» . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  77. ^ Перейти обратно: а б Сюлин. на основе TensorFlow» . «Практика адаптивной системы Люлишуо Проверено Архивировано из оригинала 6 ноября 2021 г. 4 ноября 2021 г.
  78. ^ «Как Modiface использовал TensorFlow.js в производстве для примерки AR-макияжа в браузере» . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
  79. ^ Бирн, Майкл (11 ноября 2015 г.). «Google предлагает всю свою библиотеку машинного обучения как программное обеспечение с открытым исходным кодом» . Порок . Архивировано из оригинала 25 января 2021 года . Проверено 11 ноября 2015 г.
[ редактировать ]
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: b3a9ec2cbbc95220a4feea8f9f158f98__1720679220
URL1:https://arc.ask3.ru/arc/aa/b3/98/b3a9ec2cbbc95220a4feea8f9f158f98.html
Заголовок, (Title) документа по адресу, URL1:
TensorFlow - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)