TensorFlow es una biblioteca de software para aprendizaje automático e inteligencia artificial, utilizada principalmente para el entrenamiento e inferencia de redes neuronales. Es uno de los marcos de aprendizaje profundo más populares, junto con otros como PyTorch. Publicado como software libre y de código abierto bajo la Licencia Apache 2.0, TensorFlow fue desarrollado por el equipo de Google Brain para la investigación interna y el uso en producción de Google. La versión inicial se lanzó en 2015, con una versión actualizada, TensorFlow 2.0, que siguió en septiembre de 2019. TensorFlow admite una amplia variedad de lenguajes de programación, incluidos Python, JavaScript, C++ y Java, lo que facilita su uso en muchos sectores.
Historia
DistBelief
A partir de 2011, Google Brain construyó DistBelief como un sistema propietario de aprendizaje automático basado en redes neuronales de aprendizaje profundo. Su uso creció rápidamente en diversas empresas de Alphabet tanto en aplicaciones de investigación como comerciales. Google asignó a varios informáticos, incluido Jeff Dean, para simplificar y refactorizar el código de DistBelief en una biblioteca más rápida y robusta de nivel de aplicación, que se convirtió en TensorFlow. En 2009, el equipo, liderado por Geoffrey Hinton, había implementado la retropropagación generalizada y otras mejoras, lo que permitió generar redes neuronales con una precisión sustancialmente mayor, por ejemplo, una reducción del 25% en los errores en el reconocimiento de voz.
TensorFlow
TensorFlow es el sistema de segunda generación de Google Brain. La versión 1.0.0 se lanzó el 11 de febrero de 2017. Si bien la implementación de referencia se ejecuta en dispositivos individuales, TensorFlow puede ejecutarse en múltiples CPU y GPU (con extensiones opcionales de CUDA y SYCL para computación de propósito general en unidades de procesamiento gráfico). TensorFlow está disponible en Linux de 64 bits, macOS, Windows y plataformas de computación móvil, incluidos Android e iOS. Su arquitectura flexible permite una fácil implementación de la computación en una variedad de plataformas (CPU, GPU, TPU), y desde escritorios hasta clústeres de servidores y dispositivos móviles y de borde.
Las computaciones de TensorFlow se expresan como gráficos de flujo de datos con estado. El nombre TensorFlow deriva de las operaciones que dichas redes neuronales realizan en matrices de datos multidimensionales, que se denominan tensores. Durante la Conferencia Google I/O en junio de 2016, Jeff Dean declaró que 1,500 repositorios en GitHub mencionaban TensorFlow, de los cuales solo 5 eran de Google.
En marzo de 2018, Google anunció TensorFlow.js versión 1.0 para aprendizaje automático en JavaScript. En enero de 2019, Google anunció TensorFlow 2.0, que estuvo disponible oficialmente en septiembre de 2019. En mayo de 2019, Google anunció TensorFlow Graphics para aprendizaje profundo en gráficos por computadora.
Unidad de Procesamiento de Tensores (TPU)
En mayo de 2016, Google anunció su unidad de procesamiento de tensores (TPU), un circuito integrado de aplicación específica (ASIC) construido específicamente para aprendizaje automático y adaptado para TensorFlow. Una TPU es un acelerador de IA programable diseñado para proporcionar un alto rendimiento de aritmética de baja precisión (por ejemplo, de 8 bits), y orientado hacia el uso o la ejecución de modelos en lugar de su entrenamiento. Google anunció que había estado ejecutando TPU dentro de sus centros de datos durante más de un año, y que habían encontrado que ofrecían un rendimiento optimizado por vatio un orden de magnitud mejor para el aprendizaje automático.
En mayo de 2017, Google anunció las TPU de segunda generación, así como su disponibilidad en Google Compute Engine. Las TPU de segunda generación ofrecen hasta 180 teraflops de rendimiento y, cuando se organizan en clústeres de 64 TPU, proporcionan hasta 11.5 petaflops. En mayo de 2018, Google anunció las TPU de tercera generación que ofrecen hasta 420 teraflops de rendimiento y 128 GB de memoria de alto ancho de banda (HBM). Los Pods de Cloud TPU v3 ofrecen más de 100 petaflops de rendimiento y 32 TB de HBM. En febrero de 2018, Google anunció que estaba poniendo las TPU a disposición en versión beta en la Plataforma Google Cloud.
Edge TPU
En julio de 2018, se anunció la Edge TPU. Edge TPU es el chip ASIC diseñado específicamente por Google para ejecutar modelos de aprendizaje automático (ML) de TensorFlow Lite en pequeños dispositivos informáticos de cliente, como teléfonos inteligentes, conocido como computación de borde.
TensorFlow Lite
En mayo de 2017, Google anunció TensorFlow Lite como una pila de software para admitir modelos de aprendizaje automático en dispositivos móviles y embebidos, y en noviembre de 2017, proporcionó la vista previa para desarrolladores. En enero de 2019, el equipo de TensorFlow lanzó una vista previa para desarrolladores del motor de inferencia de GPU móvil con OpenGL ES 3.1 Compute Shaders en dispositivos Android y Metal Compute Shaders en dispositivos iOS. En mayo de 2019, Google anunció que TensorFlow Lite Micro (también conocido como TensorFlow Lite para Microcontroladores) y uTensor de ARM se fusionarían. Se renombró como LiteRT en 2024.
TensorFlow 2.0
A medida que la cuota de mercado de TensorFlow entre los artículos de investigación disminuía en favor de PyTorch, el equipo de TensorFlow anunció el lanzamiento de una nueva versión principal de la biblioteca en septiembre de 2019. TensorFlow 2.0 introdujo muchos cambios, siendo el más significativo TensorFlow eager, que cambió el esquema de diferenciación automática del gráfico computacional estático al esquema "Definir-por-Ejecución" popularizado originalmente por Chainer y posteriormente por PyTorch. Otros cambios importantes incluyeron la eliminación de bibliotecas antiguas, la compatibilidad cruzada entre modelos entrenados en diferentes versiones de TensorFlow y mejoras significativas en el rendimiento en GPU.
Características
AutoDiferenciación
La AutoDiferenciación es el proceso de calcular automáticamente el vector de gradiente de un modelo con respecto a cada uno de sus parámetros. Con esta característica, TensorFlow puede calcular automáticamente los gradientes para los parámetros de un modelo, lo que es útil para algoritmos como la retropropagación que requieren gradientes para optimizar el rendimiento. Para hacerlo, el marco debe realizar un seguimiento del orden de las operaciones realizadas en los tensores de entrada de un modelo y luego calcular los gradientes con respecto a los parámetros apropiados.
Ejecución Eager
TensorFlow incluye un modo de "ejecución eager", lo que significa que las operaciones se evalúan inmediatamente en lugar de agregarse a un gráfico computacional que se ejecuta más tarde. El código ejecutado de manera eager puede examinarse paso a paso mediante un depurador, ya que los datos se aumentan en cada línea de código en lugar de más tarde en un gráfico computacional. Este paradigma de ejecución se considera más fácil de depurar debido a su transparencia paso a paso.
Distribución
Tanto en la ejecución eager como en la de gráficos, TensorFlow proporciona una API para distribuir la computación entre múltiples dispositivos con diversas estrategias de distribución. Esta computación distribuida a menudo puede acelerar la ejecución del entrenamiento y la evaluación de modelos de TensorFlow y es una práctica común en el campo de la IA.
Pérdidas
Para entrenar y evaluar modelos, TensorFlow proporciona un conjunto de funciones de pérdida (también conocidas como funciones de costo). Algunos ejemplos populares incluyen el error cuadrático medio, la entropía cruzada categórica y la pérdida de bisagra. Estas funciones miden la diferencia entre las salidas predichas y reales, guiando el proceso de optimización durante el entrenamiento.
Impacto y Adopción
TensorFlow se ha convertido en una herramienta fundamental en el campo del aprendizaje automático, permitiendo a investigadores y desarrolladores construir e implementar modelos de aprendizaje profundo a escala. Su integración con Google Cloud y su soporte para arquitecturas de redes neuronales lo han convertido en una opción estándar tanto en el ámbito académico como en la industria. El lanzamiento de TensorFlow contribuyó a la adopción más amplia de tecnologías de inteligencia artificial, influyendo en marcos y herramientas posteriores. A partir de 2024, TensorFlow sigue siendo ampliamente utilizado, aunque enfrenta competencia de PyTorch en entornos de investigación. Su desarrollo continuo sigue abordando desafíos de rendimiento, usabilidad e implementación, asegurando su relevancia en el panorama cambiante de la IA.