Summary
This chapter introduces TensorFlow as a library for constructing and manipulating tensor-based computational graphs and shows how to import the library and print its version.

General domain of usage
Machine learning

Denne lektion giver en introduktion til **TensorFlow**, herunder dets oprindelse, kerneformål og definerende egenskaber. Ved afslutningen af denne lektion vil deltagerne have opnået en grundlæggende forståelse af TensorFlow.

### Formål med TensorFlow

Navnet TensorFlow er ret beskrivende. Inden for **maskinlæring**, især **dyb læring**, bliver data manipuleret og overført mellem operationer i strukturer kaldet **tensores**. Tænk på en tensor som et **sofistikeret multidimensionelt array**. TensorFlow tilbyder en platform til at konstruere og manipulere disse beregningsgrafer med tensores, der flyder igennem dem.

Dette diagram giver en visuel repræsentation af et **grundlæggende neuralt netværk**. Bemærk stierne? Det angiver data, **struktureret som tensores**, der behandles gennem netværket.

### Nøglefunktioner

- **Fleksibilitet**: uanset om det drejer sig om at implementere modeller på mobile enheder eller orkestrere dem på tværs af flere servere, tilbyder TensorFlow betydelig alsidighed;

- **Ydelse**: TensorFlow er grundlæggende bygget i C++, hvilket sikrer optimering til højhastighedsopgaver;

- **Økosystem**: TensorFlow suppleres af værktøjer som TensorBoard og TensorFlow Hub, hvilket beriger dets økosystem. Derudover er der indbygget understøttelse af Pandas- og NumPy-bibliotekerne;

- **GPU-acceleration**: TensorFlow kan udnytte kraften fra GPU'er (grafikprocessorenheder) til at accelerere adskillige beregninger, der er essentielle for dyb læring i stor skala.

### En praktisk introduktion

Forståelse af TensorFlows potentiale opnås bedst gennem **praktisk erfaring**. Vi starter med det grundlæggende.

I dette kursus benyttes den integrerede kodeafvikler til opgaver med **TensorFlow allerede installeret**. Hvis du ønsker at **installere TensorFlow** i dit eget Python-miljø, kan du anvende følgende kommando:

```
pip install tensorflow
```

Når TensorFlow er installeret, kan versionen **verificeres** med følgende kommando:

# Import the TensorFlow library with the alias `tf`
import tensorflow as tf

# Print out the version of the library
print(tf.__version__)

Kørsel af ovenstående kode vil vise TensorFlow-versionen, der anvendes i Python-miljøet.



Den nyeste version af TensorFlow kan ændre sig over tid. De grundlæggende koncepter forbliver dog konsistente på tværs af forskellige versioner.

Bemærk

Hvad er tensorer i konteksten af TensorFlow?

Hvilke af følgende er nøglefunktioner i TensorFlow?

Bliv fortrolig med opbygning, træning og evaluering af neurale netværk ved hjælp af TensorFlow og Keras. Dette kursus dækker modeloprettelse, brugerdefinerede træningssløjfer og bedste praksis for effektive deep learning-arbejdsgange. Gennem praktiske projekter og virkelighedsnære scenarier opnås erfaring med branchestandardværktøjer og -teknikker, der er essentielle for avanceret deep learning-udvikling.

Velkommen til TensorFlow

Formål med TensorFlow

Nøglefunktioner

En praktisk introduktion

1. Hvad er tensorer i konteksten af TensorFlow?

2. Hvilke af følgende er nøglefunktioner i TensorFlow?