TensorFlow

Frameworks ML

Le framework de deep learning open source de Google, standard industriel pour la production ML

Tarif

Gratuit (open source Google).

Open sourceFree tierAvancé

Présentation

TensorFlow est le framework de deep learning open source de Google, lancé en 2015. Avec Keras comme API haut niveau, il est utilisé aussi bien pour la recherche que pour la production à grande échelle (TensorFlow Serving, TFX, TF Lite). TensorFlow 2.x avec l'exécution eager par défaut a rendu le framework plus accessible. Keras est désormais un projet indépendant (Keras 3 supporte TF, PyTorch et JAX).

Fonctionnalités clés

✓Keras API haut niveau (réseau de neurones en Python)

✓TensorFlow Serving pour le déploiement de modèles

✓TensorFlow Lite pour le déploiement mobile/edge

✓TensorFlow.js pour l'inférence dans le navigateur

✓TFX (TensorFlow Extended) pour les pipelines ML

✓TensorBoard pour la visualisation des entraînements

✓Distribution sur TPUs Google

✓AutoKeras pour l'AutoML

✓TF Datasets (hub de datasets)

Cas d'usage

Computer Vision industrielle avec TF Lite

Modèles de détection d'objets déployés sur des appareils edge (NVIDIA Jetson, Raspberry Pi) via TensorFlow Lite pour l'inférence temps réel sans connexion cloud.

Pipeline ML en production avec TFX

TFX orchestre toutes les étapes ML : ingestion, validation des données, transformation, entraînement, évaluation et déploiement via TF Serving.

✓ Points forts

+Standard industriel pour le déploiement ML en production

+TF Serving et TF Lite pour tous les cas de déploiement

+Excellent support TPU Google (bien plus rapide que GPU pour certains modèles)

+Large communauté et nombreux tutoriels

✗ Limites

−API plus complexe que PyTorch pour la recherche et le prototypage

−Keras/TF 1.x vs 2.x vs Keras 3 : historique fragmenté

−Moins populaire que PyTorch dans la communauté research

−Dépendance forte à Google

⚠️ Pièges connus en production

1.La compatibilité des versions Keras/TF est complexe (Keras 2 vs Keras 3 vs tf.keras) — fixer les versions dans requirements.txt.

2.TF Serving nécessite le SavedModel format : s'assurer que les signatures d'entrée/sortie sont correctement définies.

3.Les modèles entraînés sur GPU H100 peuvent avoir des problèmes de compatibilité avec les GPU anciens en production.

✓ Fait pour vous si…

Déploiement de modèles deep learning en production (mobile, edge, web, serving). Pipelines ML industriels avec TFX.

✗ Pas fait pour vous si…

Recherche rapide et prototypage (PyTorch est plus adapté). Équipes préférant un framework sans dépendance Google.

deep-learningopen-sourceproductiongooglekeras