众所周知，TensorFlow是一个开源软件库，用于数值计算以及数据流图的使用。换句话说，它是建立深度学习模型的最佳工具之一。尽管TensorFlow是在深度神经网络中进行机器学习和研究的主要目的而创建的，但是该库还是普遍的应用于各种其他领域。
这篇文章将会介绍一些具体的与TensorFlow有关的各种论文和研究：
Tensorflow论文：
TensorFlow：异构分布式系统上的大规模机器学习：
“TensorFlow是一个用于表达机器学习算法的接口，也是执行这种算法的一个实现。使用TensorFlow表示的计算可以执行几乎很少或根本没有变化的异构系统，并且支持手机和平板电脑等移动设备以及大型分布式系统。“
这篇特定的文章主要描述了TensorFlow界面，以及使用它的开发的一些具体流程。
文章链接：点击这里
TF.Learn：TensorFlow的分布式机器学习高级模块：
TF.Learn用于TensorFlow内部的分布式机器学习，也可以说它是一个高级的Python模块，它为用户提供一个简单易用的Scikit-learn风格的界面，以便进一步简化创建，配置，训练和评估过程，以及任何机器学习模型的实验。
这个使用通用高级语言的模块基本上把重点放在把机器学习带给非专业人士，以及那些希望进行基准测试，实施并且在研究人员在结构化的环境中比较他们的新方法。它比较强调的是API的易用性，性能，文档和一致性。
文章链接：点击这里
深度学习软件框架的比较研究：
这项研究基本上是在几种类型的深度学习架构上进行的，目的是评估诸多框架在单个机器上被多线程和GPU使用时的性能：Nvidia Titan X的设置。
这篇论文给你提供了五个常用的深度学习框架的比较研究：TensorFlow，Torch，Caffe，Neon和Theano，主要包括三个重要的方面：硬件的利用率，可扩展性和训练速度。
文章链接：点击这里
带有MPI的分布式TensorFlow：
在这篇论文中，它介绍了Tensorflow最近提出的使用消息传递接口（MPI）的 TensorFlow来大规模地执行集群。基本方法只需要对TensorFlow运行时进行最小限度的改变，从而导致所提议的通用实现，并且越来越多的开发者开始使用这一接口。
文章链接：点击这里
全球标准化的基于转换的神经网络：
本文描述了SyntaxNet背后的模型，并引入了归一化的基于转换的全局神经网络模型，实现了最新的语音标注，依存分析和句子压缩的功能。
文章链接：点击这里
TensorFlow：一个大规模机器学习系统：
这篇特定的论文描述了TensorFlow的数据流模型，与所有现有的系统相比，还从侧面显示了它在真实世界的几个应用中所取得的令人瞩目的性能。
文章链接：点击这里
有关更多信息：GitHub
本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。
文章原标题《a-curated-list-of-dedicated-resources-tensorflow-papers》，
作者：Kirti Bakshi
译者：虎说八道，审阅：
文章为简译，更为详细的内容，请查看原文
