TensorFlow是一个用于数值计算和机器学习模型开发的开源软件库，由谷歌于2015年11月9日首次发布。它旨在通过数据流图支持大规模训练神经网络模型，其中操作表示为节点，数据在节点之间流动。该框架迅速成为学术界和工业界在深度学习应用中使用最广泛的工具之一。
在首次发布时，TensorFlow基于谷歌多年的内部研究。该库源于DistBelief系统，这是一个早期的分布式基础设施，允许在多个中央处理器（CPU）和图形处理器（GPU）上训练模型。TensorFlow旨在提供更灵活和可扩展的接口，使开发者和研究人员能够定义自定义计算图，并针对不同硬件进行优化。2015年的版本支持广泛的任务，从图像分类和自然语言处理到强化学习和时间序列预测。
架构与设计
TensorFlow中的核心抽象是计算图，由操作和张量组成。操作是执行数学变换的节点，而张量是基本数据类型（如整数或浮点数）的多维数组。该框架还包括自动微分功能，用于计算通过SGD变体和Adam优化器等其他优化方法训练模型所需的梯度。这种设计允许模型定义一次，并在不同环境中执行，包括单机或数千台服务器的集群。
TensorFlow的分布式执行引擎是一个关键的技术差异化因素。它可以将图划分到不同设备上，当时主要是CPU和GPU的进步，并自动管理它们之间的数据传输。这使得无需手动管理资源分配即可持续训练日益复杂的残差网络或U-Net架构。API旨在灵活用于研究和生产用途，尽管初始版本具有冗长的语法，未来的更新将解决这一问题。
发布与开源
开源发布发生在2015年11月9日的TensorFlow开发者峰会上，采用Apache 2.0许可证。谷歌将框架完全公开，包括核心库、计算原语和实用工具。这一举措与早期内部工具保持专有的模式形成对比。初始反响强烈，开发者和学术机构采用TensorFlow进行研究并基于底层技术进行构建。在几个月内，它吸引了大量贡献者社区，并成为GitHub等平台上的标准配置（尽管未在给定链接中列出）。
开源TensorFlow的决定与2010年代中期更广泛的行业趋势一致，当时微软和亚马逊等公司正在发布自己的机器学习库，以加速创新和互操作性。谷歌还将TensorFlow定位为商业产品，特别是通过其谷歌云服务，为TFlow模型提供托管以及用于训练和服务人工智能应用的受管基础设施。
采用与影响
TensorFlow在谷歌内部用于许多生产任务。从2015年开始，它为谷歌搜索、谷歌翻译和谷歌相册中的功能提供支持。大学和初创公司的外部团队将其作为主要框架，特别是在人工智能研究项目中。其可移植性扩展到移动设备（核心）和称为张量处理单元（TPU）的定制硬件ASIC，谷歌于2016年宣布了TPU，尽管TPU不属于2015年初始版本的一部分。
该框架还影响了更高级别库的创建，例如Keras（后来集成到TensorFlow中），并成为许多大型语言模型项目的基础，因为它能够处理高维数据和复杂拓扑模型。截至2019年，TensorFlow在GitHub上按星标数排名最高的开源项目之一，反映了大量使用，其社区持续维护代码库。
后续版本与遗产
TensorFlow的开发在多个主要版本下持续进行。2019年，TensorFlow 2.0带来了重大改革，默认引入即时执行，简化了API，并使基于模型剪枝的优化器更加直观。尽管替代框架兴起，许多现有生产系统仍继续使用TensorFlow进行推理和训练。然而，该框架仍由谷歌DeepMind和其他团队积极支持，发布版本支持并发展多样化的生态系统。
2015年的发布在机器学习历史上仍是一个里程碑。它帮助普及了先进的深度学习工具，降低了众多组织部署神经网络的障碍，并推动了从计算机视觉到生成式AI等领域的快速发展。尽管后来其他框架获得了关注，但TensorFlow设计中的许多基础思想，如图执行和包含连续梯度计算的层，在现代基于张量的库中仍然存在。
对AI社区的影响
通过提供工业级框架，TensorFlow标准化了软件工程和神经网络研究的许多最佳实践。源代码包含示例和文档，使初学者能够在数小时内实验简单模型，而专家则使用高性能内核在数百个节点上扩展任务。社区体验也从早期阶段发生了转变。在2015年，TensorFlow成为关键的桥梁，实现了从自定义代码行到灵活、可重用基础设施的过渡，支持可重复的研究。
截至2023年及以后，TensorFlow在研究、生产和教学中仍然相关。尽管PyTorch后来获得了一些流行度，许多遗留系统仍保持TensorFlow原生，并且它继续发展，支持联邦学习和边缘设备部署等功能。其发布被广泛认为是推动当前机器学习模型在冻结领域扩散的关键种子。