TensorFlow 是一个机器学习算法接口和执行工具，支持许多异构系统的执行，可应用于包括语音识别、计算机视觉、自然语言处理、获得地理信息和药物开发在内的多个领域，并提供 API 和参考实现的开源包。

Mar, 2016

TensorFlow-Serving 是一个可用于 Google 内部和云端的机器学习模型服务系统，支持多种 ML 平台，优化模型查找和推理性能，用于多租户模型托管服务 TFS^2 等生产环境。

Dec, 2017

本文介绍了 TensorFlow.js 的设计、API 和实现，它是一个用于在 JavaScript 中构建和执行机器学习算法的库，支持在 Web 浏览器和 Node.js 环境下运行模型，支持 Python API，使得模型可以在 Python 和 JavaScript 生态系统之间移植，从而使得来自广大 JavaScript 社区的新型开发人员可以构建和部署机器学习模型，并启用了一些新型的边缘设备计算。

Jan, 2019

本文介绍了一种支持动态控制流的分布式机器学习编程模型，并在 TensorFlow 中进行了实现和评估。通过使用数据流图来表示机器学习模型，该模型支持将条件语句的分支和循环体分配到多台设备上运行，从而提高了性能和可扩展性。

May, 2018

TensorFlow Quantum 是一个开源库，支持快速原型设计经典或量子数据的混合量子 - 经典模型，并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制，噪声型和最优化截断模拟以及类似神经网络的混合量子 - 经典模型的层次学习和 Hilbert 空间的量子分类；旨在为量子计算和机器学习提供必要的工具，发现潜在的量子算法。

Mar, 2020

tf.data 是一个为构建和执行高效机器学习输入流水线而设计的框架，它提供了各种操作符用于定义计算，已经可以应用于不同的机器学习领域。我们展示了输入流水线的性能对于机器学习模型的训练时间至关重要，tf.data 的特性可以避免手动性能优化，实现高效的输入流水线。我们的分析为将计算与存储结合起来，推送数据处理到存储层提供了未来研究方向。

Jan, 2021

Swift for TensorFlow 是一个深度学习平台，可在数据中心的硬件加速器集群从移动设备扩展。它结合了语言集成的自动微分系统和多个 Tensor 实现，这些实现是在面向可变值语义的现代预先编译语言中实现的。该平台已经通过在 30 多个深度学习模型中的使用得到了验证，并在数据中心和移动应用程序中得到了应用。

Feb, 2021

TensorLayer 是一种通用 Python 库，它提供了丰富的抽象来帮助研究人员和工程师有效地开发深度学习系统，在同时提高效率的同时维护性能和可扩展性。

Jul, 2017

提出了一个框架，以简化创新的机器学习方法，以便将这些技术应用于生产环境中。该框架允许用户编写代码以定义他们的机器学习模型，并提供抽象层以指导开发人员将模型编写为有利于生产环境的方式。通过使用特征列，对模型进行参数化，同时提供了一组实用程序，旨在加快实验工作，以使开箱即用的模型灵活且适用于各种问题。

Aug, 2017

GPflow 是一个使用 TensorFlow 进行核心计算和 Python 作为前端的高斯过程库，具有变分推断作为主要逼近方法、通过使用自动微分提供简洁的代码、特别强调软件测试工程以及能够利用 GPU 硬件等显著特点。

Oct, 2016