TensorFlow는 Google Brain 팀이 개발하고 2015년 11월에 공개한 오픈소스 딥러닝 프레임워크입니다. 이는 신경망을 텐서 연산의 계산 그래프로 정의하고 CPU, GPU, Google 자체 TPU 칩에서 효율적으로 훈련하는 방법을 제공했으며, 2010년대 후반 PyTorch와 함께 지배적인 두 딥러닝 프레임워크 중 하나가 되었습니다.
역사
TensorFlow는 Google이 대규모 신경망 훈련에 사용했던 초기의 덜 유연한 내부 시스템인 DistBelief의 후속작입니다. 2015년 오픈소스 공개와 2017년 1.0 안정 버전 출시는 Google의 대규모 딥러닝 도구를 처음으로 외부 연구자와 기업에 제공했으며, 딥러닝을 학술 연구소를 넘어 주류 엔지니어링 분야로 대중화하는 데 기여했습니다. TensorFlow의 원래 설계는 정의 후 실행하는 정적 계산 그래프 방식을 사용했습니다. 사용자가 먼저 전체 연산 그래프를 구축한 다음 실행하는 이 접근 방식은 적극적인 성능 최적화와 쉬운 배포를 가능하게 했지만, PyTorch가 2016년에 도입한 동적 그래프 방식보다 디버깅과 모델 아키텍처 반복을 더 번거롭게 만들었습니다. Google은 2019년 TensorFlow 2.0으로 대응하여 즉시 실행되는 동적 실행을 기본값으로 만들고, 더 높은 수준의 사용자 친화적인 API인 Keras를 주요 인터페이스로 통합했습니다.
생태계
핵심 훈련 라이브러리 외에도 TensorFlow의 생태계에는 모바일 및 엣지 AI 배포를 위한 TensorFlow Lite, 웹 브라우저에서 모델을 실행하기 위한 TensorFlow.js, 프로덕션 머신러닝 파이프라인을 위한 TensorFlow Extended, 훈련 모니터링에 널리 사용되는 시각화 도구인 TensorBoard가 포함되었습니다. 원래 독립 프로젝트였던 Keras는 TensorFlow와 긴밀하게 통합되어 권장 고수준 API가 되었으며, 신규 사용자가 저수준 그래프 코드를 직접 작성하지 않고도 모델을 정의하고 훈련할 수 있는 장벽을 낮췄습니다.
연구 점유율 하락 및 현재 상태
TensorFlow의 초기 지배에도 불구하고, PyTorch의 연구자 친화적인 동적 실행 모델은 2010년대 후반과 2020년대 초반에 걸쳐 학술 연구의 꾸준한 전환을 PyTorch 쪽으로 이끌었으며, 2022년경에는 주요 머신러닝 학회의 새 논문 대부분이 TensorFlow 대신 PyTorch를 사용했습니다. TensorFlow는 성숙도와 Google 지원 도구 덕분에 일부 프로덕션 및 모바일 배포 환경에서 더 강한 입지를 유지했으며, 전환 이전에 구축된 산업 시스템과 Google 내부에서도 여전히 널리 사용되었습니다. 2020년대 중반 현재, TensorFlow는 일반적으로 대규모 신경망 훈련을 주류 엔지니어링 관행으로 확립하고 많은 영향력 있는 초기 딥러닝 시스템을 훈련하는 데 기여한 프레임워크로 간주됩니다. 다만 PyTorch와, 매우 대규모 훈련의 경우 Google 자체 JAX 라이브러리가 Google 내부와 분야 전반에서 새로운 대규모 언어 모델 및 기반 모델 개발을 위한 더 prominent한 선택이 되었습니다.