TensorFlowは、数値計算と機械学習モデル開発のためのオープンソースソフトウェアライブラリであり、2015年11月9日にGoogleによって初めて公開された。これは、操作がノードとして表現され、データがその間を流れるデータフローグラフを通じて、ニューラルネットワークモデルの大規模トレーニングをサポートするように設計された。このフレームワークは、深層学習アプリケーションにおいて、学術研究と産業界で最も広く採用されたツールの1つとなった。
初期リリースにおいて、TensorFlowはGoogleでの長年にわたる内部研究に基づいていた。このライブラリは、多くの中央処理装置（CPU）とグラフィックス処理装置（GPU）にわたってモデルをトレーニングできる初期の分散インフラストラクチャであるDistBeliefシステムに由来する。TensorFlowは、開発者や研究者がカスタム計算グラフを定義し、異なるハードウェア向けに最適化できる、より柔軟で拡張性のあるインターフェースを提供することを目指した。2015年版は、画像分類や自然言語処理から強化学習や時系列予測まで、幅広いタスクをサポートした。
アーキテクチャと設計
TensorFlowの中核となる抽象化は、操作とテンソルで構成される計算グラフである。操作は数学的変換を実行するノードであり、テンソルは整数や浮動小数点数などの基本データ型の多次元配列である。このフレームワークには、SGDバリアントやAdamオプティマイザなどの最適化手法を用いてモデルをトレーニングするために必要な勾配を計算する自動微分も含まれていた。この設計により、モデルを一度定義すれば、単一のマシンや数千台のサーバーからなるクラスターなど、異なる環境で実行できるようになった。
TensorFlowの分散実行エンジンは、主要な技術的差別化要因であった。これは、当時主にCPUとGPUの進歩に基づく異なるデバイス間でグラフを分割し、それらの間のデータ転送を自動的に管理できた。これにより、残差ネットワークやU-Netなどのますます複雑なアーキテクチャを、リソース割り当てを手動で管理することなく継続的にトレーニングできた。APIは研究と本番利用の両方で柔軟であることを意図していたが、初期バージョンは冗長な構文を持ち、将来のアップデートで対処されることになった。
リリースとオープンソース化
オープンソースリリースは、2015年11月9日にTensorFlow Developer Summitで、Apache 2.0ライセンスの下で行われた。Googleは、コアライブラリ、計算プリミティブ、ユーティリティツールを含むフレームワーク全体を一般公開した。この動きは、内部ツールがプロプライエタリのままだった以前のモデルとは対照的だった。初期の反応は強く、開発者や学術機関が研究用にTensorFlowを採用し、基盤技術を構築した。数ヶ月以内に、それは大規模な貢献者コミュニティを引き付け、GitHubなどのプラットフォームで標準的な存在となった（ただし、指定されたリンクには記載されていない）。
TensorFlowをオープンソース化する決定は、2010年代半ばの業界全体のトレンドと一致しており、MicrosoftやAmazonなどの企業が、イノベーションと相互運用性を加速するために独自の機械学習ライブラリを公開していた。Googleはまた、TensorFlowを商用製品として位置付け、特にGoogle Cloudサービスを通じて、TensorFlowモデルのホスティングと人工知能アプリケーションのトレーニングおよび提供のための管理インフラストラクチャを提供した。
採用と影響
TensorFlowは、Google内で多くの本番タスクに使用された。2015年以降、Google検索、Google翻訳、Googleフォトの機能を強化した。大学やスタートアップの外部チームは、特に人工知能研究のプロジェクトで、主要なフレームワークとして採用した。その移植性は、モバイルデバイス（コア）と、Googleが2016年に発表したテンソル処理装置（TPU）として知られるカスタムハードウェアASICにまで拡張されたが、TPUは2015年の初期リリースには含まれていなかった。
このフレームワークはまた、Keras（後にTensorFlowに統合）などの高レベルライブラリの作成に影響を与え、高次元データと複雑なトポロジーモデルを処理できるため、多くの大規模言語モデルプロジェクトの基盤として機能した。2019年の時点で、TensorFlowはGitHubでスター数が最も多いオープンソースプロジェクトの1つであり、そのコミュニティはコードベースを継続的に維持していた。
その後のバージョンと遺産
TensorFlowの開発は、異なるメジャーリリースの下で多くのバージョンで継続された。2019年のTensorFlow 2.0で大幅な見直しが行われ、デフォルトで即時実行が導入され、APIが簡素化され、モデル枝刈りに基づくオプティマイザがより直感的になった。代替フレームワークの台頭にもかかわらず、多くの既存の本番システムは、推論とトレーニングにTensorFlowを使い続けている。しかし、このフレームワークはGoogle DeepMindや他のグループによって依然として積極的にサポートされており、多様なエコシステムをサポートおよび進化させるリリースが行われている。
2015年のリリースは、機械学習の歴史におけるマイルストーンであり続けている。それは高度な深層学習ツールの民主化に貢献し、多くの組織がニューラルネットワークを展開するための障壁を低くし、コンピュータビジョンから生成AIに至る分野での急速な進歩を促進した。後のフレームワークが注目を集めたが、グラフ実行や連続勾配計算を含むレイヤーなど、TensorFlowの設計からの多くの基礎的なアイデアは、現代のテンソルベースのライブラリに残っている。
AIコミュニティへの影響
産業グレードのフレームワークを提供することで、TensorFlowはソフトウェアエンジニアリングとニューラルネットワーク研究の両方の多くのベストプラクティスを標準化した。ソースコードには、初心者が数時間で単純なモデルを試すことを可能にする例とドキュメントが含まれ、専門家は高性能カーネルを使用して数百ノードにわたるタスクをスケーリングできた。コミュニティの経験も以前のものから変化した。2015年に、TensorFlowは、カスタムコードラインから、再現可能な研究をサポートする柔軟で再利用可能なインフラストラクチャへの移行を可能にする重要な架け橋となった。
2023年以降も、TensorFlowは研究、本番、教育において関連性を維持している。PyTorchが後にいくつかの人気を獲得したが、多くのレガシーシステムはTensorFlowネイティブのままであり、連合学習やエッジデバイスへの展開のための機能で進化し続けている。そのリリースは、凍結セクター領域での機械学習モデルの現在の普及に貢献した重要な種として広く認識されている。