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

Diese Lektion bietet eine Einführung in **TensorFlow** und behandelt dessen Entstehung, Kernziele und charakteristische Merkmale. Am Ende dieser Lektion verfügen die Teilnehmenden über ein grundlegendes Verständnis von TensorFlow.

### Zweck von TensorFlow

Der Name TensorFlow ist recht selbsterklärend. Im Bereich des **maschinellen Lernens**, insbesondere des **Deep Learnings**, werden Daten in Strukturen namens **Tensoren** zwischen Operationen manipuliert und weitergegeben. Ein Tensor kann als **hochentwickeltes mehrdimensionales Array** betrachtet werden. TensorFlow stellt eine Plattform zur Verfügung, um diese Rechen-Graphen zu erstellen und zu manipulieren, wobei Tensoren durch sie fließen.

Dieses Diagramm bietet eine visuelle Darstellung eines **einfachen neuronalen Netzwerks**. Sehen Sie die Verbindungen? Diese stehen für Daten, **strukturiert als Tensoren**, die durch das Netzwerk verarbeitet werden.

### Hauptmerkmale

- **Flexibilität**: Ob beim Einsatz von Modellen auf mobilen Geräten oder bei der Orchestrierung über mehrere Server hinweg – TensorFlow bietet erhebliche Vielseitigkeit;

- **Leistung**: TensorFlow basiert im Kern auf C++ und ist somit für Hochgeschwindigkeitsaufgaben optimiert;

- **Ökosystem**: TensorFlow wird durch Werkzeuge wie TensorBoard und TensorFlow Hub ergänzt, was das Ökosystem bereichert. Zusätzlich besteht eine integrierte Unterstützung für die Bibliotheken Pandas und NumPy;

- **GPU-Beschleunigung**: TensorFlow kann die Leistung von GPUs (Graphics Processing Units) nutzen, um zahlreiche Berechnungen zu beschleunigen, die für groß angelegte Deep-Learning-Aufgaben erforderlich sind.

### Praktischer Einstieg

Das Potenzial von TensorFlow lässt sich am besten durch **praktische Erfahrung** erschließen. Beginnen wir mit den Grundlagen.

In diesem Kurs verwenden wir den integrierten Coderunner für Aufgaben, wobei **TensorFlow bereits eingerichtet** ist. Falls Sie jedoch **TensorFlow** in Ihrer eigenen Python-Umgebung installieren möchten, können Sie folgenden Befehl verwenden:

```
pip install tensorflow
```

Nachdem TensorFlow installiert wurde, kann die **Version** mit folgendem Befehl überprüft werden:

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

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

Die Ausführung des obigen Codes zeigt die in der Python-Umgebung verwendete TensorFlow-Version an.



Die neueste Version von TensorFlow kann sich im Laufe der Zeit ändern. Die grundlegenden Konzepte bleiben jedoch über verschiedene Versionen hinweg konsistent.

Hinweis

Was sind Tensoren im Kontext von TensorFlow?

Welche der folgenden sind Schlüsselfunktionen von TensorFlow?

Erlernen Sie den Aufbau, das Training und die Bewertung neuronaler Netzwerke mit TensorFlow und Keras. Dieser Kurs behandelt die Modellerstellung, benutzerdefinierte Trainingsschleifen und bewährte Methoden für effektive Deep-Learning-Workflows. Durch praxisorientierte Projekte und reale Anwendungsfälle erwerben Sie praktische Erfahrung mit branchenüblichen Werkzeugen und Techniken, die für fortgeschrittenes Deep-Learning-Engineering unerlässlich sind.

Willkommen bei TensorFlow

Zweck von TensorFlow

Hauptmerkmale

Praktischer Einstieg

1. Was sind Tensoren im Kontext von TensorFlow?

2. Welche der folgenden sind Schlüsselfunktionen von TensorFlow?