TensorFlow 是一个开源的深度学习框架，由谷歌大脑团队开发，并于2015年11月公开发布。它提供了一种将神经网络定义为张量运算计算图的方法，并能在CPU、GPU以及谷歌自家的TPU芯片上高效训练这些网络。在2010年代后期，它成为两大主导性深度学习框架之一，与PyTorch并驾齐驱。
历史
TensorFlow 继承了 DistBelief，这是谷歌早期用于大规模神经网络训练的一个较不灵活的内部系统。其2015年的开源发布，以及随后2017年的1.0稳定版，首次使谷歌的大规模深度学习工具可供外部研究人员和公司使用，并帮助将深度学习推广为超越学术实验室的主流工程学科。TensorFlow 的原始设计采用定义后运行的静态计算图：用户首先构建完整的操作图，然后执行它。这种方法实现了积极的性能优化和简便的部署，但相比 PyTorch 在2016年引入的动态图方法，调试和迭代模型架构更为繁琐。谷歌在2019年推出了 TensorFlow 2.0，将即时动态执行设为默认模式，并整合了 Keras（一个更高级、更用户友好的API）作为其主要接口。
生态系统
除了核心训练库之外，TensorFlow 的生态系统还包括用于移动和边缘AI部署的 TensorFlow Lite、用于在网页浏览器中运行模型的 TensorFlow.js、用于生产机器学习管道的 TensorFlow Extended，以及广泛用于监控训练的 TensorBoard 可视化工具。Keras 最初是一个独立项目，后来与 TensorFlow 紧密集成，成为其推荐的高级API，降低了新手定义和训练模型的门槛，无需直接编写底层图代码。
研究份额下降与当前状态
尽管 TensorFlow 早期占据主导地位，但 PyTorch 更受研究人员欢迎的动态执行模型在2010年代末和2020年代初推动了学术研究向 PyTorch 的稳步转移。到大约2022年，主要机器学习会议上的大多数新论文使用 PyTorch 而非 TensorFlow。TensorFlow 在某些生产和移动部署场景中保留了更强的存在感，部分原因在于其成熟度和谷歌支持的工具链，并且在转变前构建的行业系统中以及谷歌内部仍广泛使用。截至2020年代中期，TensorFlow 通常被视为帮助确立大规模神经网络训练为主流工程实践的框架，并训练了许多有影响力的早期深度学习系统，尽管 PyTorch 以及谷歌自家的 JAX 库（用于超大规模训练）在谷歌内部和整个领域中，已成为新的大型语言模型和基础模型开发中更突出的选择。