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

Cette leçon propose une introduction à **TensorFlow**, en abordant sa création, ses objectifs principaux et ses caractéristiques distinctives. À l’issue de cette leçon, les participants auront acquis une compréhension fondamentale de TensorFlow.

### Objectif de TensorFlow

Le nom TensorFlow est assez explicite. Dans le domaine de **l’apprentissage automatique**, en particulier de **l’apprentissage profond**, les données sont manipulées et transmises entre les opérations sous forme de structures appelées **tenseurs**. Un tenseur peut être considéré comme un **tableau multidimensionnel sophistiqué**. TensorFlow offre une plateforme permettant de construire et de manipuler ces graphes computationnels, avec des tenseurs circulant à travers eux.

Ce schéma fournit une représentation visuelle d’un **réseau de neurones basique**. Remarquez les chemins ? Ils indiquent que les données, **structurées sous forme de tenseurs**, sont traitées à travers le réseau.

### Fonctionnalités clés

- **Flexibilité** : que ce soit pour déployer des modèles sur des appareils mobiles ou les orchestrer sur plusieurs serveurs, TensorFlow offre une grande polyvalence ;

- **Performance** : TensorFlow est fondé sur C++, garantissant une optimisation pour les tâches à grande vitesse ;

- **Écosystème** : TensorFlow est enrichi par des outils comme TensorBoard et TensorFlow Hub, ce qui renforce son écosystème. De plus, il existe une prise en charge native des bibliothèques Pandas et NumPy ;

- **Accélération GPU** : TensorFlow peut exploiter la puissance des GPU (unités de traitement graphique) pour accélérer de nombreux calculs essentiels aux tâches d'apprentissage profond à grande échelle.

### Approche pratique

La compréhension du potentiel de TensorFlow s'acquiert principalement par **l'expérimentation directe**. Commençons par les bases.

Dans ce cours, l'environnement d'exécution intégré sera utilisé pour les exercices, avec **TensorFlow déjà configuré**. Toutefois, si vous souhaitez **installer TensorFlow** dans votre propre environnement Python, vous pouvez utiliser la commande suivante :

```
pip install tensorflow
```

Une fois TensorFlow installé, il est possible de **vérifier sa version** avec la commande suivante :

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

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

L'exécution du code ci-dessus affichera la version de TensorFlow utilisée dans l'environnement Python.



La version la plus récente de TensorFlow peut évoluer au fil du temps. Cependant, les concepts fondamentaux restent cohérents entre les différentes versions.

Remarque

Que sont les tenseurs dans le contexte de TensorFlow ?

Lesquelles des propositions suivantes sont des fonctionnalités clés de TensorFlow ?

Maîtrise de la construction, de l'entraînement et de l'évaluation des réseaux neuronaux avec TensorFlow et Keras. Ce cours couvre la création de modèles, les boucles d'entraînement personnalisées et les meilleures pratiques pour des workflows de deep learning efficaces. À travers des projets pratiques et des scénarios réels, vous acquerrez une expérience concrète avec des outils et techniques standards de l'industrie, essentiels pour l'ingénierie avancée du deep learning.

Bienvenue à TensorFlow

Objectif de TensorFlow

Fonctionnalités clés

Approche pratique

1. Que sont les tenseurs dans le contexte de TensorFlow ?

2. Lesquelles des propositions suivantes sont des fonctionnalités clés de TensorFlow ?