TensorFlow 是 Google 开源的端到端机器学习框架，2015 年首次发布，当前最新稳定版本为 2.21.0（2026 年 3 月发布）。 它的核心优势不是“最新论文复现最快”，而是 生产部署、跨平台推理和企业级 MLOps 工具链成熟。

项目概况

核心生态组件

• TensorFlow Core / Keras：底层张量计算与高级模型 API，2.x 默认 Eager Execution，2.16 起默认配合 Keras 3。
• LiteRT：原 TensorFlow Lite 的下一代端侧推理运行时，已作为独立项目投产，支持 GPU/NPU 加速、INT4/INT8 量化，并可接收来自 PyTorch / JAX 的模型。
• TensorFlow.js / LiteRT.js：支持在浏览器和 Node.js 中运行模型，2026 年已进一步向端侧 AI 场景演进。
• TensorFlow Serving：生产环境模型服务化部署工具，适合高可用、低延迟在线推理。
• TFX：端到端生产级机器学习流水线，覆盖数据验证、训练、评估、部署和监控。
• TensorBoard：训练可视化、指标监控和计算图查看工具，2.21 起不再随 TensorFlow 自动安装，需要单独安装。
• TensorFlow Hub / Models：预训练模型与示例模型仓库，适合快速复用图像、文本、语音等模型。
• TensorFlow Federated：面向去中心化数据的联邦学习框架，适合隐私敏感场景。

当前定位

2026 年，TensorFlow 在学术研究和新增论文中的占比已被 PyTorch 超越，但在企业生产管线、移动端与边缘设备部署上仍有明显存量优势。 截至 2026 年中，LiteRT 已在超过 27 亿台设备上运行推理。 如果你要做科研原型、复现最新大模型，PyTorch 通常更顺手；如果要做 跨端部署、边缘推理、企业级 MLOps 或长期维护的生产系统，TensorFlow + LiteRT + TFX 仍然是很稳的选择。

快速开始

pip install tensorflow
pip install tensorboard

最简示例：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation="relu", input_shape=[10]),
    tf.keras.layers.Dense(1)
])

model.compile(optimizer="adam", loss="mse")
model.summary()