TensorFlow는 구글이 2015년에 공개한 딥러닝 프레임워크로, 한때 「딥러닝의 표준」이었습니다.
산업 환경에서의 안정성과 배포 편의성에 강하지만, 2019년 이후 PyTorch에 학계 점유율을 크게 뺏겼습니다.
TensorFlow의 가장 큰 강점은 「프로덕션 배포 도구」입니다.
TensorFlow Serving(서버 추론), TensorFlow Lite(모바일·임베디드), TensorFlow.js(브라우저), TensorFlow Extended(전체 ML 파이프라인) 등 학습된 모델을 다양한 환경에서 효율적으로 운영하기 위한 도구가 매우 잘 갖춰져 있습니다.
초기 TensorFlow 1.x는 「정적 그래프」 — 먼저 계산 그래프를 만든 뒤 실행하는 방식 — 으로 디버깅이 어려웠습니다.
2.0(2019)에서 PyTorch처럼 동적 실행을 기본으로 바꿨지만 이미 학계는 PyTorch로 옮겨간 후였습니다.
비유하자면 TensorFlow는 「공장의 컨베이어 벨트 시스템」, PyTorch는 「공방의 작업대」와 같습니다.
대량 생산·배포는 컨베이어가 효율적이지만 새로운 시제품을 만들 때는 작업대가 더 자유롭습니다.
그래서 연구자는 PyTorch, 운영팀은 TensorFlow를 선호하는 분화가 자연스럽게 일어났습니다.
최근에는 「Keras」 — TensorFlow 위의 고수준 API — 가 다중 백엔드(TensorFlow, PyTorch, JAX)를 지원하기 시작해, Keras로 한 번 짠 코드를 어느 프레임워크에서도 돌릴 수 있게 됐습니다.
두 프레임워크의 경계가 점차 흐려지고 있습니다.
한 줄 요약
TensorFlow는 구글의 딥러닝 프레임워크로, 학계는 PyTorch에 자리를 내줬지만 프로덕션 배포 도구(Serving·Lite·JS) 면에서 여전히 강력한 산업용 선택지입니다.
더 알아볼 것
- TensorFlow vs PyTorch — 시장 변천
- Keras 3 — 다중 백엔드 지원
- TFX — 프로덕션 ML 파이프라인
