本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 4年半，全球下載量突破1個億，僅過去1個月，便有超過1000萬的下載。

這就是TensorFlow提交的最新成績單。

谷歌AI負責人 Jeff Dean (傳奇“姐夫”)非常激動：

當我們在2015年11月，將TensorFlow作為一個開源項目發布時，我們希望外界機器學習研究人員在使用它時，和我們在 Google AI 的體驗一樣。

看到它的下載量突破1億，我感到非常自豪。

Keras 作者、谷歌深度學習專家 François Chollet 也發推文表示：

僅過去的一個月，就有超過1000萬次的下載量，它正在加速發展。

當然，毫無懸念的，網友們在姐夫推特下面寫下了老梗：

但我們現在在用Pytorch。

為什么TensorFlow能取得如此成績？

在姐夫的推特中，還提到了2015年發布TensorFlow時的博客。

這一天，谷歌發布了TensorFlow的“白皮書”，并很快將其開源。

而它的故事，也就從這一時刻開始譜寫。

憑借谷歌不容小覷的影響力，消息在技術圈內迅速傳開，然而在圈外，卻沒有想象中的那么轟動。

直到2016年，AlphaGo 引爆了大眾對人工智能的熱情，AI 也逐漸滲透進各行各業中，Tensorflow 則成為一個現象級的技術名詞，被普通大眾所熟知。

Tensorflow在2017年2月發布了1.0.0版本，也標志著穩定版的誕生。

早期的TensorFlow還是有不少被人詬病的地方，比如API的穩定性、效率和基于靜態計算圖的編程上的復雜性等等。

歷經幾年的時間，TensorFlow不斷地優化，同時吸取了像Pytorch這樣框架的有點，逐步地在解決這些缺點。

2019年，谷歌推出了TensorFlow 2.0，這是平臺發展歷程中，稱得上是一個重要的里程碑。幾大亮點包括：

• 專注于簡單性和易用性，大大簡化API
• 方便開發人員使用Keras 和 eager execution 輕松構建模型
• 提高TensorFlow Lite 和 TensorFlow.js 部署模型的能力

直到現在，TensorFlow 已經迭代到 2.2.0 版本，更加強調性能與生態系統的兼容性，以及核心庫的穩定性。

除了性能上的不斷優化，TensorFlow的成功也得益于它的生態。

TensorFlow 可以說，建立了一個非常強大的生態系統，包含各類庫、擴展以及工具，能夠滿足研究人員和開發人員實現端到端機器學習模型的各種需求。

對于研究人員來說，TensorFlow提供了最尖端的機器學習研究模型，例如，T5模型可以實現語音到文本的轉換。

產品開發人員可結合使用TensorFlow與Keras等工具構建各種應用產品。TensorFlow Hub還提供大量預訓練模型。

此外，開發人員可以利用TensorFlow Lite等工具，輕松將機器學習模型部署到各種設備上。

道阻且長，比任何時候都具有挑戰性

TensorFlow取得如此成就固然是值得贊嘆，但與此同時，它所面臨的挑戰也是巨大的——甚至是前所未有的。

除了自身性能、易用性和生態等方面的發展因素外，更多的挑戰可能來自同類深度學習框架的競爭。

包括Pytorch、MXNet、Caffe、Keras等等，它們自身有著各自的亮點和特性，這也就造成了用戶選擇方面的差異。

那么，這些開源深度學習框架之間的競爭如何？

鑒于不是所有框架都公布了“下載量”這個指標，我們從GitHub上的關注度來做個對比。

若是有更好的對比指標，歡迎在評論區交流。

首先是TensorFlow，GitHub上的小星星已經達到了14.4萬。

Keras在GitHub上的小星星為4.82萬。

Pytorch在GitHub上的小星星為3.86萬。

Caffe在GitHub上的小星星為3.02萬。

MXNet在GitHub的小星星為1.87萬。

如根據GitHub小星星的數量來決定開源深度學習框架的流行程度，那么排名就是：

TensorFlow> Keras >Pytorch>Caffe>MXNet

如此之外，國內的深度學習框架也在逐步發力：百度飛槳、華為 MindSpore、曠視 MegEngine、清華 Jittor。

在GitHub上的小星星分別是11.3K、1K、2.1K和1.4K。

對于全球深度學習框架的洶涌發展，TensorFlow全球產品總監 Kemal El Moujahid 就曾表示：

我們非常樂于看到行業取得發展。現在，全球范圍來看，雖然機器學習和 AI 的普及度還處在初期階段，但是我們不能忘了最終的目標：在全球推廣普及機器學習和 AI。