IT ENCYKLOPEDIE

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== TensorFlow: Průvodce frameworkem pro Deep Learning ======

**TensorFlow** je open-source knihovna pro strojové učení a hluboké učení (deep learning), kterou vyvinul tým Google Brain. Je navržena tak, aby umožňovala snadné škálování výpočtů od mobilních zařízení až po obrovské klastry v datových centrech.



===== Klíčové vlastnosti =====

  * **Ekosystém:** TensorFlow není jen knihovna, ale celá platforma zahrnující nástroje pro vizualizaci (TensorBoard), nasazení (TF Serving) a mobilní zařízení (TF Lite).
  * **Flexibilita:** Umožňuje definovat výpočty pomocí grafů, což optimalizuje výkon na CPU, GPU i TPU.
  * **Keras API:** Od verze 2.0 je vysokoúrovňové rozhraní Keras integrováno přímo do TensorFlow, což drasticky zjednodušilo psaní kódu.

===== Co je to Tensor? =====

Základní datovou jednotkou v TensorFlow je **Tensor**. Je to v podstatě vícerozměrné pole (zobecnění matice).

^ Typ ^ Rozměr ^ Příklad ^
| Skalár | 0D | `5` |
| Vektor | 1D | `[1, 2, 3]` |
| Matice | 2D | `[[1, 2], [3, 4]]` |
| Tensor | nD | Pole s n-dimenzemi |



===== Architektura TensorFlow =====

Výpočty v TensorFlow probíhají formou **datových toků** (data flow graphs). Uzly v grafu představují matematické operace, zatímco hrany představují tensory, které mezi nimi proudí.

==== 1. TensorFlow Core ====
Nízkoúrovňové C++ engine, který se stará o distribuované výpočty a komunikaci s hardwarem.

==== 2. Keras (Vysoká úroveň) ====
Uživatelsky přívětivé API pro rychlé prototypování. Většina vývojářů pracuje právě zde.

==== 3. TensorFlow Extended (TFX) ====
End-to-end platforma pro nasazení produkčních ML modelů (pipeline, správa dat).

===== Příklad kódu: Lineární regrese =====

Následující ukázka ukazuje, jak v TensorFlow 2.x vytvořit jednoduchý model:

<code>
import tensorflow as tf
from tensorflow.keras import layers

# Vytvoření sekvenčního modelu
model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(10,)),
    layers.Dense(1)
])

# Kompilace modelu
model.compile(optimizer='adam',
              loss='mean_squared_error',
              metrics=['mae'])

# Výpis struktury
model.summary()
</code>

===== Výhody a nevýhody =====

^ Výhody ^ Nevýhody ^
| Špičková podpora pro produkční nasazení | Vyšší strmost učení oproti PyTorch |
| Podpora pro TPU (Tensor Processing Units) | Někdy zbytečně komplexní dokumentace |
| Velká komunita a množství návodů | Starší verze (1.x) nejsou kompatibilní s 2.x |

===== Nástroje pro vizualizaci =====

Jednou z největších zbraní TensorFlow je **TensorBoard**. Umožňuje sledovat:
  * Průběh ztrátové funkce (loss) a přesnosti (accuracy) v reálném čase.
  * Strukturu výpočetního grafu.
  * Histogramy vah a biasů v neuronové síti.



> **Poznámka:** Pokud s TensorFlow začínáte, doporučuje se využít službu **Google Colab**, která nabízí zdarma přístup k výkonným GPU přímo v prohlížeči.

----
**Související témata:**
  * [[ai:neural_networks|Úvod do neuronových sítí]]
  * [[ai:pytorch|Srovnání s PyTorch]]
  * [[ai:keras|Podrobný manuál pro Keras]]