Jan, 2019

TensorFlow.js：面向 Web 及其他领域的机器学习

PDF
TL;DR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。
发现论文，激发创造
  • TensorFlow：异构分布式系统上的大规模机器学习

    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：大规模机器学习系统

    TensorFlow 是一个机器学习系统，使用数据流图表示计算，共享状态以及操作，支持训练和推理深度神经网络等应用，并在多种真实世界应用中取得了出色的性能表现。

    May, 2016

  • 基于 JavaScript 的深度学习平台和应用程序的开发与分布式训练

    该论文介绍了使用 JavaScript 编写的矩阵库和深度学习框架，可以在普通个人电脑和智能手机上的 Web 浏览器上运行，无需安装软件，在 WebCL 框架中使用 GPGPU 可以训练大规模的卷积神经网络，如 VGGNet 和 ResNet。通过在 Web 浏览器中训练 VGGNet，展示了我们框架的实用性。

    Feb, 2017

  • DistML.js：无需安装的面向 Web 浏览器的分布式深度学习框架

    DistML.js 是一个用于在 Web 浏览器中训练和推断机器学习模型的库，它不仅可以在本地设备上进行模型训练，还支持与服务器进行分布式学习。该库的设计和基于运行的 API 用于构建深度学习模型，类似于 PyTorch，从而降低了原型设计的学习曲线。通过利用 WebGL 在后端执行模型训练和推断所涉及的矩阵计算，实现了高速计算。该论文提供了对 DistML.js 设计、API 和实现的全面解释，以及包括数据并行在内的实际应用。源代码公开可用于指定的 URL。

    Jul, 2024

  • TensorFlow-Serving：灵活、高性能的机器学习服务

    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

  • TensorLayer：高效深度学习开发的通用库

    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

  • TF.Learn: TensorFlow 分布式机器学习高层模块

    TF.Learn 是一款基于 Python 的高级模块，用于分布式机器学习，它提供了一个易于使用的 Scikit-Learn 风格接口，简化了创建、配置、训练、评估和实验机器学习模型的过程。

    Dec, 2016

  • TensorFlow Quantum：量子机器学习软件框架

    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

  • Swift for TensorFlow：深度学习的可移植、灵活平台

    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

  • TF-Coder：用于张量操作的程序合成

    本文介绍了一种名为 TF-Coder 的工具，可以使用 TensorFlow 进行编程示例。TF-Coder 使用自底向上的加权枚举搜索，通过基于值的修剪等方法，确保表达式符合 TensorFlow 库所施加的各种要求。在实现 63 个真实世界的任务时，TF-Coder 在 5 分钟内解决了其中 63 个，有时比经验丰富的人类程序员更快地找到了更简单的解决方案。

    Mar, 2020