创建了一个类似于BLAS的优化深度学习工作负载例程库，包含GPU的程序，易于集成到现有框架中，性能优化和内存使用率提高36%。

Oct, 2014

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

比较TensorFlow、Deep Learning4j和H2O这些最常用的开源机器学习框架的基本特征，针对MNIST数据集测试H2O深度学习算法在单线程和多线程模式下的CPU和GPU效果并比较不同参数的影响，在单线程模式下证明参数的盲目选择会显著增加运行时间但精度无显著提升，该结果对优化可用和新的机器学习方法特别是图像识别问题具有至关重要的影响。

Aug, 2017

介绍了 TensorFlow、Chainer、CNTK、Torch/PyTorch、Caffe1/2、MXNet 和 Theano 等深度学习神经网络的竞争框架，并提出了一种名为 Tensor Comprehensions 的类数学语言，以及一个将深度学习 DAG 的数学描述转换为 CUDA 核心的即时编译器。

Feb, 2018

该论文介绍了一个基于深度学习工作负载的张量程序优化学习框架，其通过学习领域特定的统计成本模型来引导张量操作实现的搜索，进而加速搜索，实现性能与手动调整的图书馆竞争力相当。

May, 2018

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

该研究提出了一种用于开发高效、可移植的深度学习和高性能计算内核的框架，通过使用Tensor Processing Primitives(TPPs)表达计算核心，并通过简单的旋钮确定精确的实例化，我们在不同的CPU平台上展示了单独的核心和端到端工作负载，超越了现有技术的实现。

Apr, 2023

通过研究PyTorch库的bug识别和修复过程，我们发现PyTorch的bug更像传统软件项目的bug，而不是与深度学习特性有关的。同时，我们还将结果与对TensorFlow的研究进行了比较，突出了在bug识别和修复过程中的相似之处和差异之处。

Jul, 2023

基于复杂的关系查询，TensorBank是一个能够从云对象存储流式传输张量到GPU内存的PB级张量湖，使用HSI进行查询加速，并且可以使用PyTorch转换对数据进行处理，该架构适用于各种用例包括自然语言处理、计算机视觉、计算神经科学和生物序列分析等。

Sep, 2023

支持向量机算法在训练过程中需要解决复杂的二次规划优化问题，这导致计算成本高。本研究通过在不同的并行架构框架上实现支持向量机算法的比较研究，发现SVM MPI-CUDA实现在不同数据集上能够优于SVM TensorFlow实现，而且SVM TensorFlow实现提供了跨平台解决方案，能够迁移到替代硬件组件，从而减少开发时间。

Nov, 2023