TensorFlow ist eine quelloffene Softwarebibliothek für maschinelles Lernen, die 2015 von Google Brain veröffentlicht wurde. Sie war das erste Framework, das das Training und den produktiven Betrieb neuronaler Netze in industriellem Maßstab einer breiten Öffentlichkeit zugänglich machte.
Zusammenfassung
TensorFlow ging aus dem internen System DistBelief hervor, mit dem Google Brain ab 2011 verteiltes Training betrieben hatte.
Die Veröffentlichung unter offener Lizenz im November 2015 war eine strategische Entscheidung von erheblicher Wirkung: Sie machte Googles Infrastrukturansatz zum De-facto-Standard und band eine ganze Entwicklergeneration an Werkzeuge aus dem Konzern.
Der Name verweist auf den Tensor, den mehrdimensionalen Datenblock, und auf den Berechnungsgraphen, durch den diese Daten fließen. Ab etwa 2019 verlor TensorFlow in der Forschung an Boden gegenüber PyTorch, blieb aber im produktiven Einsatz und in der Ausbildung verbreitet. Google selbst verlagerte seine Forschungsarbeit weitgehend auf das jüngere Framework JAX.
Entstehung
Der Vorläufer DistBelief entstand ab 2011 innerhalb von Google Brain als Antwort auf ein infrastrukturelles Problem: Die Modelle, mit denen die Gruppe arbeitete, passten nicht mehr auf einzelne Maschinen.
DistBelief verteilte Modell und Daten über Rechnerverbünde und ermöglichte damit Trainingsläufe, die zuvor nicht durchführbar waren. Das System war jedoch eng auf Googles interne Infrastruktur zugeschnitten, schwer zu konfigurieren und außerhalb des Konzerns nicht verwendbar.
TensorFlow war die Neufassung dieses Ansatzes als allgemein verwendbare Bibliothek. Die Veröffentlichung unter der Apache-2.0-Lizenz im November 2015 machte sie ohne Auflagen kommerziell nutzbar.
Der Zeitpunkt war günstig gewählt: Die Deep-Learning-Welle nach AlexNet (2012) hatte eine große Zahl von Interessierten hervorgebracht, denen bis dahin überwiegend akademische Werkzeuge wie Theano, Torch oder Caffe zur Verfügung standen – leistungsfähig, aber ohne die Werkzeuge für den produktiven Betrieb, und ohne die Aussicht auf dauerhafte Pflege durch einen finanzstarken Träger.
Funktionsweise
Das ursprüngliche Entwurfsprinzip war der statische Berechnungsgraph: Zunächst wird die vollständige Abfolge der Rechenoperationen als Graph definiert, anschließend ausgeführt.
Der Vorteil liegt in der Optimierbarkeit – der Graph kann vor der Ausführung umgeformt, auf mehrere Geräte verteilt und für spezialisierte Hardware übersetzt werden. Der Nachteil ist die geringere Anschaulichkeit beim Entwickeln und Fehlersuchen, da der Ablauf nicht schrittweise nachvollziehbar ist.
Mit TensorFlow 2.0 (2019) wurde die Ausführung standardmäßig auf den unmittelbaren Modus umgestellt, bei dem Operationen sofort ausgewertet werden. Zugleich wurde Keras – die von François Chollet entwickelte Abstraktionsschicht – als zentrale Schnittstelle übernommen, was den Einstieg erheblich vereinfachte.
Ökosystem
| Bestandteil | Zweck |
|---|---|
| Keras | vereinfachte Modelldefinition |
| TensorFlow Lite | Betrieb auf Mobilgeräten und eingebetteten Systemen |
| TensorFlow.js | Ausführung im Webbrowser |
| TensorFlow Serving | produktive Modellbereitstellung |
| TensorBoard | Visualisierung von Training und Modellstruktur |
| TFX | durchgängige Verarbeitungsketten für den Produktivbetrieb |
Die Breite dieses Ökosystems ist das anhaltende Unterscheidungsmerkmal: Während konkurrierende Frameworks im Forschungsbetrieb Vorteile bieten, deckt TensorFlow den Weg vom Prototyp bis zum produktiven Dienst geschlossen ab.
Verhältnis zu PyTorch und JAX
| TensorFlow | PyTorch | JAX | |
|---|---|---|---|
| Herkunft | Google Brain, 2015 | Meta AI, 2016 | Google, 2018 |
| Ursprünglicher Graph | statisch | dynamisch | funktional, transformierbar |
| Stärke | Produktivbetrieb, Bereitstellung | Forschung, Entwicklung | Skalierung, Transformationen |
| Stellung in der Forschung | rückläufig seit etwa 2019 | vorherrschend | wachsend |
Die Verschiebung zugunsten von PyTorch wird überwiegend auf dessen anfänglich dynamischen Ausführungsmodus zurückgeführt, der dem üblichen Programmierverhalten näherkam. TensorFlow übernahm dieses Modell mit Version 2.0, konnte den Verlust in der akademischen Nutzung jedoch nicht umkehren.
Bemerkenswert ist, dass Google selbst die Forschungsarbeit weitgehend auf JAX verlagerte – ein Framework mit funktionalem Ansatz, das Ableitung, Kompilierung und Parallelisierung als komponierbare Transformationen behandelt und für das Training sehr großer Modelle auf TPU-Verbünden ausgelegt ist.
Bedeutung
TensorFlow ist ein Beispiel dafür, wie Infrastruktur Einfluss ausübt. Die Veröffentlichung senkte die Zugangshürde zum Deep Learning erheblich und beschleunigte damit die Verbreitung der Verfahren über die Forschungslabore hinaus. Zugleich prägte sie die Erwartung, dass Grundlagenwerkzeuge dieses Feldes offen verfügbar sind – eine Erwartung, die sich bei Modellen und Modellgewichten später nur teilweise erfüllte.
Für Google war die Offenlegung strategisch: Sie band Entwickelnde an ein Werkzeug, dessen leistungsfähigste Ausführungsumgebung die konzerneigenen TPUs in der Google Cloud sind.
Kritik
Brüche zwischen den Hauptversionen. Der Übergang von TensorFlow 1.x auf 2.0 war kein Ausbau, sondern ein Bruch: Bestehender Code musste weitgehend umgeschrieben werden, und ein erheblicher Teil der vorhandenen Anleitungen, Antworten in Foren und Lehrmaterialien wurde dadurch entwertet.
Der Vorgang gilt in der Rückschau als eine der Ursachen des Bedeutungsverlusts in der Forschung – weniger wegen der technischen Entscheidung als wegen des Vertrauensverlusts.
Wege, die zum selben Ziel führen. Über die Jahre entstanden mehrere parallele Wege, dasselbe zu tun: verschiedene Schnittstellen für Modelldefinition, mehrere Verfahren zur Datenvorverarbeitung, konkurrierende Ansätze für verteiltes Training. Für Einsteigende ist schwer zu erkennen, welcher davon der jeweils empfohlene ist, und die Antwort hat sich mehrfach geändert.
Randbestandteile ohne verlässliche Pflege. Teile des Ökosystems wurden angekündigt, gefördert und später ohne Nachfolgelösung stillgelegt. Wer auf sie gesetzt hatte, stand vor Migrationsaufwand, der sich aus der Sicht des Nutzenden nicht angekündigt hatte.
Uneindeutige Stellung im eigenen Haus. Dass Google seine Forschungsarbeit auf JAX verlagert hat, während TensorFlow als Produktivwerkzeug weitergeführt wird, ist strategisch nachvollziehbar, erschwert aber die Einschätzung der langfristigen Perspektive. Ein Framework, dessen Träger es selbst nur noch in einem Teil seiner Arbeit einsetzt, ist eine schwerer zu begründende Wahl für neue Vorhaben.
Verwandte Begriffe
- Google Brain – Ursprungsteam
- Keras – Abstraktionsschicht, seit 2019 zentrale Schnittstelle
- François Chollet – Entwickler von Keras
- Tensor Processing Unit – Hardware, für die TensorFlow ausgelegt ist
- Deep Learning – Anwendungsfeld
- PyTorch – konkurrierendes Framework
- JAX – Googles jüngeres Forschungsframework
- Open Source – Veröffentlichungsmodell
Quellenangaben
- Abadi, Martín u. a. (2016): TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv: 1603.04467.
- Abadi, Martín u. a. (Google Brain) (2016): TensorFlow: A System for Large-Scale Machine Learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16), S. 265–283.
- Chollet, François (2025): Deep Learning with Python.
- Dean, Jeffrey u. a. (2012): Large Scale Distributed Deep Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012).
- Google DeepMind, o. J. About Google DeepMind. https://deepmind.google/about/
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.