過去バージョン

• TensorFlow は Google 製のディープラーニングフレームワーク。エコシステムが本番運用に強い
• API は Keras (tf.keras) が高レベル標準。Sequential / Model で簡潔に書ける
• 本番デプロイの選択肢が多い: TF Serving、TFLite (モバイル)、TF.js (ブラウザ)、TPU 対応
• 研究実装の中心は PyTorch に移っている。新規研究プロトはそちらの方が多い
• 本番運用・Google エコシステム・モバイル/エッジ展開なら TensorFlow が依然強力

import tensorflow as tf

# データセット読み込み
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# モデル構築 (Sequential API)
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation="softmax"),
])

model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"],
)

model.fit(x_train, y_train, epochs=5, validation_split=0.1)
model.evaluate(x_test, y_test)

# CPU 版
pip install tensorflow

# NVIDIA GPU 対応版 (TF 2.10 以降の Linux/WSL は "[and-cuda]" extras を利用)
pip install tensorflow[and-cuda]

# Mac (Apple Silicon)
pip install tensorflow tensorflow-metal

# 動作確認
python -c "import tensorflow as tf; print(tf.__version__, tf.config.list_physical_devices('GPU'))"

• SavedModel 形式で保存。HDF5 ではなく model.save("dir/") でフォルダ保存が現行推奨
• 混合精度 (tf.keras.mixed_precision) で学習を高速化
• tf.data パイプラインで I/O 並列化＋プリフェッチ
• TensorBoard で loss / accuracy / ヒストグラム / 埋め込みを可視化
• 分散は tf.distribute.MirroredStrategy (シングルノード複数 GPU) から始める
• TPU は TPUStrategy + tf.distribute で利用

• TF 1.x と 2.x で API が大きく違う — 古い記事のサンプルは tf.compat.v1 経由になるか動かない
• CUDA / cuDNN / TF のバージョン整合が崩れると起動時にエラー
• Windows ネイティブ GPU は TF 2.10 までで打ち切り。以降は WSL2 推奨
• Keras 単体パッケージ (Keras 3) はマルチバックエンド対応に。tf.keras と混同しないよう注意
• 本番化は SavedModel + TF Serving 経由が安全。生の Python プロセスで API 化は性能・運用に難あり
• 古い session.run スタイルのコードは TF 2 で動かない