TensorFlow
TensorFlow — 端到端 ML 平台，含 Keras 高级 API。
分析复杂
技术栈组成
FrameworkTensorFlow 2.x
APIKeras 3
为什么
生产部署生态，TF Serving，TFLite 移动端，TPU 支持。PostHog 和 Plausible 提供隐私优先分析，无需 GDPR 同意横幅，2024 年增长 200%。
BigQuery 和 ClickHouse 以 5 美元/TB 处理 PB 级数据。
何时使用
用于大规模生产 ML。避免偏好 PyTorch 的研究。
如何做
1. pip install tensorflow
2. 用 Keras 构建模型
3. 编译并拟合
4. 用 tf.saved_model 导出
示例
import tensorflow as tf
model = tf.keras.Sequential([tf.keras.layers.Dense(1)])
model.compile(optimizer='adam', loss='mse')
常见问题
- ⚠未检测到 GPU — 安装 tensorflow[and-cuda]
- ⚠图模式错误 — 谨慎使用 tf.function
- ⚠环境间配置漂移 — 使用基础设施即代码（Terraform/Pulumi）保持 dev/staging/prod 一致
最佳实践
- ✓用 Keras 3 支持多后端
- ✓用 tf.profiler 分析瓶颈
- ✓设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求
常见问题解答
什么是TensorFlow？适合做什么项目？
TensorFlow — 端到端 ML 平台，含 Keras 高级 API。 它通过分层组合提供端到端类型安全与开箱即用的部署体验，适合从 MVP 到生产 SaaS 的快速迭代。
如何用TensorFlow在 10 分钟内跑通一个 demo？
两步起步：① pip install tensorflow；② 用 Keras 构建模型。先跑通本地 dev server，再接一个真实数据源验证端到端链路。
TensorFlow 最常见的坑是什么？怎么避免？
最高频的坑是：未检测到 GPU — 安装 tensorflow[and-cuda]。避免方法：在 PR 模板里加入对应 checklist，CI 中跑类型检查 + lint + 单测，三重把关再合并。
TensorFlow 的最佳实践有哪些？
TensorFlow 的最佳实践包括：用 Keras 3 支持多后端；用 tf.profiler 分析瓶颈；设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求。其中首条「用 Keras 3 支持多后端」应在项目初始化时就落地，避免后期返工。
什么情况下不该选TensorFlow？
三种情况另选他栈：① 团队对该栈核心框架零经验且工期紧张（学习曲线风险）；② 项目是纯内容/营销站（选 Astro 更轻）；③ 需要极高吞吐（>1 万 RPS）或强一致微服务（选 Go/Rust）。TensorFlow 的强项是中高复杂度全栈与 API，别在简单静态页上过度工程。