TensorFlow es un marco de trabajo de aprendizaje profundo de código abierto desarrollado por el equipo Google Brain y lanzado públicamente en noviembre de 2015. Proporcionó una forma de definir redes neuronales como grafos computacionales de operaciones tensoriales y de entrenarlas eficientemente en CPUs, GPUs y los propios chips TPU de Google, y se convirtió en uno de los dos marcos de aprendizaje profundo dominantes de finales de la década de 2010, junto con PyTorch.
Historia
TensorFlow sucedió a DistBelief, un sistema interno anterior, menos flexible, que Google había utilizado para el entrenamiento de redes neuronales a gran escala. Su lanzamiento de código abierto en 2015, seguido de una versión estable 1.0 en 2017, puso por primera vez las herramientas de aprendizaje profundo a gran escala de Google a disposición de investigadores y empresas externas, y ayudó a popularizar el aprendizaje profundo como una disciplina de ingeniería convencional más allá de los laboratorios académicos. El diseño original de TensorFlow utilizaba un grafo computacional estático de definir y ejecutar: el usuario primero construía el grafo completo de operaciones y luego lo ejecutaba, un enfoque que permitía una optimización agresiva del rendimiento y una implementación fácil, pero que hacía la depuración y la iteración sobre la arquitectura del modelo más engorrosas que el enfoque de grafo dinámico que PyTorch introdujo en 2016. Google respondió con TensorFlow 2.0 en 2019, que hizo que la ejecución dinámica y eager fuera la opción predeterminada e integró Keras, una API de nivel superior y más fácil de usar, como su interfaz principal.
Ecosistema
Más allá de la biblioteca principal de entrenamiento, el ecosistema de TensorFlow incluía TensorFlow Lite para la implementación en móviles y IA en el borde, TensorFlow.js para ejecutar modelos en un navegador web, TensorFlow Extended para canalizaciones de aprendizaje automático en producción y TensorBoard, una herramienta de visualización ampliamente utilizada para monitorear el entrenamiento. Keras, originalmente un proyecto independiente, se integró estrechamente con TensorFlow como su API de alto nivel recomendada, reduciendo la barrera para que los principiantes definieran y entrenaran modelos sin escribir código de grafo de bajo nivel directamente.
Disminución en la cuota de investigación y estado actual
A pesar del dominio temprano de TensorFlow, el modelo de ejecución dinámica más amigable para investigadores de PyTorch impulsó un cambio constante en la investigación académica hacia PyTorch a finales de la década de 2010 y principios de la de 2020, y hacia alrededor de 2022 la mayoría de los nuevos artículos en las principales conferencias de aprendizaje automático utilizaban PyTorch en lugar de TensorFlow. TensorFlow mantuvo una presencia más fuerte en algunos contextos de producción e implementación móvil, en parte debido a su madurez y a las herramientas respaldadas por Google, y siguió siendo ampliamente utilizado en sistemas industriales construidos antes del cambio, así como dentro del propio Google. A mediados de la década de 2020, TensorFlow se considera generalmente el marco que ayudó a establecer el entrenamiento de redes neuronales a gran escala como práctica de ingeniería convencional y que entrenó muchos sistemas influyentes de aprendizaje profundo temprano, incluso cuando PyTorch y, para el entrenamiento a muy gran escala, la propia biblioteca JAX de Google se convirtieron en opciones más prominentes para el nuevo desarrollo de modelos de lenguaje grandes y modelos fundacionales dentro de Google y en todo el campo.