TensorFlow एक ओपन-सोर्स डीप लर्निंग फ्रेमवर्क है, जिसे Google Brain टीम द्वारा विकसित किया गया था और नवंबर 2015 में सार्वजनिक रूप से जारी किया गया था। इसने न्यूरल नेटवर्क को टेंसर ऑपरेशनों के कम्प्यूटेशनल ग्राफ के रूप में परिभाषित करने और उन्हें CPUs, GPUs, और Google के अपने TPU चिप्स पर कुशलतापूर्वक प्रशिक्षित करने का एक तरीका प्रदान किया, और यह 2010 के दशक के अंत में PyTorch के साथ-साथ दो प्रमुख डीप लर्निंग फ्रेमवर्क में से एक बन गया।
इतिहास
TensorFlow, DistBelief का उत्तराधिकारी था, जो एक पुरानी, कम लचीली आंतरिक प्रणाली थी जिसे Google ने बड़े पैमाने पर न्यूरल नेटवर्क प्रशिक्षण के लिए इस्तेमाल किया था। 2015 में इसका ओपन-सोर्स रिलीज़, जिसके बाद 2017 में 1.0 स्थिर रिलीज़ आया, ने पहली बार Google के बड़े पैमाने के डीप लर्निंग टूलिंग को बाहरी शोधकर्ताओं और कंपनियों के लिए उपलब्ध कराया और डीप लर्निंग को अकादमिक प्रयोगशालाओं से परे एक मुख्यधारा इंजीनियरिंग अनुशासन के रूप में लोकप्रिय बनाने में मदद की। TensorFlow के मूल डिज़ाइन ने एक डिफाइन-एंड-रन स्टैटिक कम्प्यूटेशनल ग्राफ का उपयोग किया: एक उपयोगकर्ता पहले ऑपरेशनों का पूरा ग्राफ बनाता था, फिर उसे निष्पादित करता था, यह दृष्टिकोण आक्रामक प्रदर्शन अनुकूलन और आसान तैनाती को सक्षम बनाता था, लेकिन मॉडल आर्किटेक्चर पर डिबगिंग और पुनरावृत्ति को PyTorch द्वारा 2016 में पेश किए गए डायनामिक ग्राफ दृष्टिकोण की तुलना में अधिक बोझिल बना देता था। Google ने 2019 में TensorFlow 2.0 के साथ जवाब दिया, जिसने उत्सुक, डायनामिक निष्पादन को डिफ़ॉल्ट बना दिया और Keras को, एक उच्च-स्तरीय, अधिक उपयोगकर्ता-अनुकूल API, अपने प्राथमिक इंटरफ़ेस के रूप में एकीकृत किया।
पारिस्थितिकी तंत्र
मुख्य प्रशिक्षण लाइब्रेरी के अलावा, TensorFlow के पारिस्थितिकी तंत्र में मोबाइल और एज AI तैनाती के लिए TensorFlow Lite, वेब ब्राउज़र में मॉडल चलाने के लिए TensorFlow.js, उत्पादन मशीन लर्निंग पाइपलाइनों के लिए TensorFlow Extended, और प्रशिक्षण की निगरानी के लिए व्यापक रूप से उपयोग किया जाने वाला विज़ुअलाइज़ेशन टूल TensorBoard शामिल था। Keras, जो मूल रूप से एक स्वतंत्र परियोजना थी, TensorFlow के साथ इसके अनुशंसित उच्च-स्तरीय API के रूप में कसकर एकीकृत हो गई, जिससे नए लोगों के लिए निम्न-स्तरीय ग्राफ कोड सीधे लिखे बिना मॉडल को परिभाषित करने और प्रशिक्षित करने की बाधा कम हो गई।
अनुसंधान हिस्सेदारी में गिरावट और वर्तमान स्थिति
TensorFlow के शुरुआती प्रभुत्व के बावजूद, PyTorch के अधिक शोधकर्ता-अनुकूल डायनामिक निष्पादन मॉडल ने 2010 के दशक के अंत और 2020 के दशक की शुरुआत में शैक्षणिक अनुसंधान को PyTorch की ओर एक स्थिर बदलाव के लिए प्रेरित किया, और लगभग 2022 तक प्रमुख मशीन लर्निंग सम्मेलनों में अधिकांश नए पेपर TensorFlow के बजाय PyTorch का उपयोग कर रहे थे। TensorFlow ने कुछ उत्पादन और मोबाइल तैनाती संदर्भों में एक मजबूत पैर जमाए रखा, आंशिक रूप से इसकी परिपक्वता और Google-समर्थित टूलिंग के कारण, और बदलाव से पहले बनाई गई उद्योग प्रणालियों के साथ-साथ Google के भीतर भी व्यापक रूप से उपयोग में रहा। 2020 के दशक के मध्य तक, TensorFlow को आम तौर पर वह फ्रेमवर्क माना जाता है जिसने बड़े पैमाने पर न्यूरल नेटवर्क प्रशिक्षण को मुख्यधारा इंजीनियरिंग अभ्यास के रूप में स्थापित करने में मदद की और जिसने कई प्रभावशाली शुरुआती डीप लर्निंग सिस्टम को प्रशिक्षित किया, भले ही PyTorch और, बहुत बड़े पैमाने पर प्रशिक्षण के लिए, Google का अपना JAX लाइब्रेरी नए बड़े भाषा मॉडल और फाउंडेशन मॉडल विकास के लिए Google के भीतर और पूरे क्षेत्र में अधिक प्रमुख विकल्प बन गए।