本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
4年半，全球下载量突破1个亿，仅过去1个月，便有超过1000万的下载。
这就是TensorFlow提交的最新成绩单。
谷歌AI负责人 Jeff Dean (传奇“姐夫”)非常激动：
当我们在2015年11月，将TensorFlow作为一个开源项目发布时，我们希望外界机器学习研究人员在使用它时，和我们在 Google AI 的体验一样。
看到它的下载量突破1亿，我感到非常自豪。
Keras 作者、谷歌深度学习专家 François Chollet 也发推文表示：
仅过去的一个月，就有超过1000万次的下载量，它正在加速发展。
当然，毫无悬念的，网友们在姐夫推特下面写下了老梗：
但我们现在在用Pytorch。
为什么TensorFlow能取得如此成绩？
在姐夫的推特中，还提到了2015年发布TensorFlow时的博客。
这一天，谷歌发布了TensorFlow的“白皮书”，并很快将其开源。
而它的故事，也就从这一时刻开始谱写。
凭借谷歌不容小觑的影响力，消息在技术圈内迅速传开，然而在圈外，却没有想象中的那么轰动。
直到2016年，AlphaGo 引爆了大众对人工智能的热情，AI 也逐渐渗透进各行各业中，Tensorflow 则成为一个现象级的技术名词，被普通大众所熟知。
Tensorflow在2017年2月发布了1.0.0版本，也标志着稳定版的诞生。
早期的TensorFlow还是有不少被人诟病的地方，比如API的稳定性、效率和基于静态计算图的编程上的复杂性等等。
历经几年的时间，TensorFlow不断地优化，同时吸取了像Pytorch这样框架的有点，逐步地在解决这些缺点。
2019年，谷歌推出了TensorFlow 2.0，这是平台发展历程中，称得上是一个重要的里程碑。几大亮点包括：
- 专注于简单性和易用性，大大简化API
- 方便开发人员使用Keras 和 eager execution 轻松构建模型
- 提高TensorFlow Lite 和 TensorFlow.js 部署模型的能力
直到现在，TensorFlow 已经迭代到 2.2.0 版本，更加强调性能与生态系统的兼容性，以及核心库的稳定性。
除了性能上的不断优化，TensorFlow的成功也得益于它的生态。
TensorFlow 可以说，建立了一个非常强大的生态系统，包含各类库、扩展以及工具，能够满足研究人员和开发人员实现端到端机器学习模型的各种需求。
对于研究人员来说，TensorFlow提供了最尖端的机器学习研究模型，例如，T5模型可以实现语音到文本的转换。
产品开发人员可结合使用TensorFlow与Keras等工具构建各种应用产品。TensorFlow Hub还提供大量预训练模型。
此外，开发人员可以利用TensorFlow Lite等工具，轻松将机器学习模型部署到各种设备上。
道阻且长，比任何时候都具有挑战性
TensorFlow取得如此成就固然是值得赞叹，但与此同时，它所面临的挑战也是巨大的——甚至是前所未有的。
除了自身性能、易用性和生态等方面的发展因素外，更多的挑战可能来自同类深度学习框架的竞争。
包括Pytorch、MXNet、Caffe、Keras等等，它们自身有着各自的亮点和特性，这也就造成了用户选择方面的差异。
那么，这些开源深度学习框架之间的竞争如何？
鉴于不是所有框架都公布了“下载量”这个指标，我们从GitHub上的关注度来做个对比。
若是有更好的对比指标，欢迎在评论区交流。
首先是TensorFlow，GitHub上的小星星已经达到了14.4万。
Keras在GitHub上的小星星为4.82万。
Pytorch在GitHub上的小星星为3.86万。
Caffe在GitHub上的小星星为3.02万。
MXNet在GitHub的小星星为1.87万。
如根据GitHub小星星的数量来决定开源深度学习框架的流行程度，那么排名就是：
TensorFlow> Keras >Pytorch>Caffe>MXNet
如此之外，国内的深度学习框架也在逐步发力：百度飞桨、华为 MindSpore、旷视 MegEngine、清华 Jittor。
在GitHub上的小星星分别是11.3K、1K、2.1K和1.4K。
对于全球深度学习框架的汹涌发展，TensorFlow全球产品总监 Kemal El Moujahid 就曾表示：
我们非常乐于看到行业取得发展。现在，全球范围来看，虽然机器学习和 AI 的普及度还处在初期阶段，但是我们不能忘了最终的目标：在全球推广普及机器学习和 AI。
