TensorFlow
TensorFlow 是 Google Brain 团队 2015 年开源、至今由 Google 主导的深度学习平台，核心由四部分构成：张量计算核心（tf.Tensor + Eager Execution，TF2 起默认即时执行，与 PyTorch 风格对齐）、tf.function 图编译机制（AutoGraph 把 Python 函数转成静态计算图，可叠加 XLA 融合加速）、内置 Keras 3 高级 API（tf.keras 即主线建模入口，2.16 起 Keras 3 为默认实现，同一模型可切换 TF/JAX/PyTorch 三后端）与 tf.data 输入管线（声明式流式数据管道，AUTOTUNE 自动调并行度）。它最大的生态位差异是生产部署矩阵：SavedModel 作为统一模型交换格式，向下接 TF Serving（gRPC/REST 在线服务）、TFLite（移动端/嵌入式，2.20 起官方宣布迁移至 LiteRT）与 TensorFlow.js（浏览器/Node.js），覆盖「训练—服务—端侧—Web」全链路，这是它相对 PyTorch 最坚硬的护城河。截至 2026 年 7 月，稳定版为 2.21.0（2026-03 发布）：移除 Python 3.9 支持、TensorBoard 不再随包依赖、TFLite 扩展 int2/uint4 量化算子；Python 支持 3.10–3.13，捆绑 Keras ≥ 3.12。信源 tensorflow.org 官方安装文档 + GitHub Releases。
评价
优点
- 部署矩阵业界最全：SavedModel 一份格式多端落地——TF Serving 在线服务（版本管理/金丝雀）、TFLite/LiteRT 走移动端嵌入式、TFJS 跑浏览器与 Node.js，训练到生产链路闭环
- Keras 3 内置主线：
tf.keras就是 Keras 3，API 久经打磨学习曲线平缓；同一 Keras 模型可切换 JAX/PyTorch 后端，不被单一框架锁死 - eager 与图编译双修：默认即时执行方便调试，
@tf.function一键捕获计算图，叠加jit_compile=True走 XLA 内核融合，开发体验与性能兼得 - tf.data 输入管线成熟：声明式
map/batch/prefetch链式组合，AUTOTUNE自动调并行度，TFRecord +interleave支撑大规模训练吞吐 - 生产工具链沉淀深：TensorBoard 可视化、TFX 端到端流水线、TF Profiler 性能分析、KerasTuner 调参，工程化组件齐全
- Google 内部大规模验证：搜索/广告/翻译等核心产品线长期使用，TPU 一等公民支持，稳定性有背书
缺点
- API 历史包袱重：1.x 静态图遗产（Session/placeholder）与 2.x eager 并存，老教程与
tf.compat.v1代码混杂，新手极易踩进过时写法 - 研究生态被 PyTorch 反超：顶会论文复现率、Hugging Face 一等公民地位均落后于 PyTorch，学术影响力持续收缩
- 版本迁移阵痛明显：2.16 Keras 3 默认、2.20 宣布 tf.lite 弃用迁 LiteRT、2.21 移除 TensorBoard 依赖，跨版本升级必须细读 Breaking Changes
- Windows/macOS 支持缩水：2.11 起原生 Windows 不再支持 GPU（需 WSL2），macOS 无官方 GPU 支持，桌面体验 Linux 优先
- TFLite 正处过渡期：tf.lite 弃用公告已发、LiteRT 迁移进行中，文档与工具链存在分裂，选型需盯进度
- wheel 体积大依赖重：全功能包数百 MB；2.21 起 TensorBoard 还需单独
pip install tensorboard