この記事の対象読者

「TensorFlowは古い」「PyTorchの方がいい」という声を聞いて不安な方
pip install tensorflow をしたことはあるが、TensorFlowの全体像がつかめていない方
Kerasは使ったことがあるがTensorFlowとの関係がよくわからない方
AIフレームワークの選択に迷っている方

この記事で得られること

TensorFlowの現在地: 2026年のTensorFlowは「過去の遺物」なのか「現役の巨人」なのかを正確に理解できる
エコシステムの全体像: Keras、TFLite（LiteRT）、TFX、TPUなど、TensorFlow帝国の地図が描ける
実践スキル: TensorFlow/Kerasでのモデル構築からデプロイまでを体験できる

この記事で扱わないこと

PyTorchとのベンチマーク比較の詳細
TensorFlow 1.x系のAPI（もう使わなくていい）
Google Cloud Platform（GCP）の使い方全般

1. TensorFlowとの出会い

「TensorFlowはオワコン。時代はPyTorch。」

2023年頃からSNSでよく見かけるようになったこのフレーズ。研究論文の85%がPyTorchを使い、HuggingFaceのエコシステムもPyTorch中心。この状況を見て「TensorFlowは終わった」と思った人は少なくないだろう。

正直に言うと、私もそう思っていた。

しかし実態を調べてみると、全く違う景色が見えてきた。

TensorFlowは2026年現在、企業の本番環境で37%以上のマーケットシェアを持ち、25,000社以上が利用している。

研究の世界ではPyTorchが王者だ。しかし「研究成果をプロダクションに持っていく」段階では、TensorFlowのエコシステムが依然として強力な選択肢なのだ。特にモバイル・エッジデバイスへのデプロイ、Google CloudのTPU活用、エンタープライズMLOpsパイプラインの構築では、TensorFlowの右に出るものはまだ多くない。

これは「過去の遺物」の姿ではない。PyTorchとは異なる土俵で、静かに勝ち続けている巨人の姿だ。

ここまでで、TensorFlowが「研究 vs 本番」という軸で見ると全く違う評価になることが伝わっただろうか。
次は、この記事で使う用語を整理しておこう。

2. 前提知識の確認

2.1 計算グラフ（Computational Graph）とは

ニューラルネットワークの計算を、ノード（演算）とエッジ（データフロー）で表現したもの。TensorFlowの名前の由来は「テンソルがグラフの中を流れる（flow）」から来ている。

2.2 Eager Execution（即時実行）とは

コードを書いた順にその場で計算が実行されるモード。Pythonの通常の動作と同じ感覚で使える。TensorFlow 2.0以降はこれがデフォルトになっている。つまり、TF 1.x時代の「セッション」地獄はもう過去の話だ。

2.3 TPU（Tensor Processing Unit）とは

Googleが開発した、機械学習に特化した専用チップ（ASIC）。TensorFlowと最も相性が良く、大規模モデルの学習で圧倒的なコストパフォーマンスを発揮する。

これらの用語が押さえられたら、TensorFlowの背景を見ていこう。

3. TensorFlowが生まれた背景

3.1 前身：DistBelief（Google Brain時代）

TensorFlowの源流は、Google内部で使われていた「DistBelief」という分散学習システムだ。2011年にGoogle Brainチームが開発し、音声認識の誤り率を25%削減するなどの成果を上げた。しかしDistBeliefには柔軟性の問題があり、Jeff Deanらのチームがコードベースを根本から作り直すことを決断。これがTensorFlowになった。

3.2 2015年11月：オープンソース化

TensorFlow 1.0は2015年11月にオープンソースとして公開された（正式な1.0.0リリースは2017年2月）。当時のAI/ML界隈では圧倒的な存在感を放ち、2016年のGoogle I/OではGitHub上の1,500リポジトリがTensorFlowに言及しているとJeff Deanが発表した。

しかし、TF 1.x系には致命的な問題があった。

問題	詳細
静的グラフの苦痛	「グラフ定義」と「実行」が完全に分離。`tf.Session()` による実行が必須
デバッグの困難さ	グラフ構築時にエラーが出ず、実行時に初めてわかる
APIの乱立	`tf.layers`、`tf.keras`、`tf.estimator`...どれを使えばいいかわからない

3.3 2019年9月：TensorFlow 2.0の革命

TensorFlow 2.0は、PyTorchの「Define-by-Run」に影響を受けて大幅な刷新を行った。

Eager Executionがデフォルトに - もう tf.Session() は不要
Keras統合 - tf.keras が公式の高レベルAPIに
API整理 - 重複するAPIを大量に削除・統合

これでPyTorchとの使い勝手の差は大きく縮まった。

3.4 2023-2024年：Keras 3.0とLiteRT

2023年、Kerasの生みの親Francois CholletがKeras 3.0をリリース。これはTensorFlowだけでなく、PyTorchやJAXもバックエンドとして選べるマルチフレームワーク版だ。「KerasはもはやTensorFlow専用ではない」という事実は、エコシステムの在り方を大きく変えた。

2024年にはTensorFlow Lite（TFLite）が独立プロジェクト「LiteRT」に移行を開始。モバイル/エッジ向け推論エンジンとして独自の進化を歩み始めている。

3.5 2026年現在の姿

最新の安定版はTensorFlow 2.20（2025年8月リリース）、次期版2.21のRC（リリース候補）が2026年2月に公開済み。NVIDIAは2025年をもって公式TensorFlowコンテナのリリースを終了するなど、エコシステムの変化は続いている。

背景がわかったところで、基本的な仕組みを見ていこう。

4. 基本概念と仕組み

4.1 TensorFlow 2.xの二刀流：Eager + Graph

TensorFlow 2.xの最大の特徴は「両方できる」ことだ。

import tensorflow as tf

# --- Eager Mode（デフォルト：PyTorchと同じ感覚）---
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
c = tf.matmul(a, b)
print(c)  # 即座に結果が出る
# tf.Tensor([[ 19  22] [ 43  50]], shape=(2, 2), dtype=int32)

# --- Graph Mode（@tf.functionで高速化）---
@tf.function  # この一行でグラフモードに変換
def fast_matmul(x, y):
    return tf.matmul(x, y)

result = fast_matmul(a, b)  # 初回はグラフ構築、以降は高速実行

@tf.function がTensorFlowの秘密兵器。普段はEagerで開発・デバッグし、パフォーマンスが必要な箇所だけ @tf.function を付ける。これがTF 2.xの「美味しいところ取り」設計だ。

4.2 Kerasとの関係：3つの時代

時代	バージョン	関係性
第1期	Keras 1.x-2.x	TFとは独立したライブラリ。バックエンドにTF/Theano/CNTKを選択
第2期	tf.keras（TF 2.0〜）	TensorFlowに統合。TF公式の高レベルAPI
第3期	Keras 3.0（2023〜）	再び独立。TF / PyTorch / JAXをバックエンドに選択可能

2026年現在、Keras 3.0を使えば同じコードでTensorFlowとPyTorchの両方で動くモデルが書ける。「TF vs PyTorch」という二項対立は、Kerasの世界では過去のものになりつつある。

4.3 TensorFlowエコシステムの全体像

TensorFlowの真の強みは「フレームワーク単体」ではなく「エコシステム全体」にある。

┌──────────────────────────────────────────────┐
│                TensorFlow エコシステム          │
├──────────────┬───────────────┬───────────────┤
│ 学習・開発    │ デプロイ       │ MLOps         │
│              │               │               │
│ tf.keras     │ TF Serving    │ TFX           │
│ tf.data      │ LiteRT(TFLite)│ ML Metadata   │
│ TensorBoard  │ TF.js         │ TF Transform  │
│ tf.function  │ ONNX Export   │ TF Data Valid. │
│ Keras 3.0    │ TensorRT      │ Vertex AI     │
├──────────────┴───────────────┴───────────────┤
│ ハードウェア: CPU / GPU(CUDA) / TPU / Edge TPU │
└──────────────────────────────────────────────┘

4.4 PyTorchにはない「TensorFlowだけの」強み

領域	TensorFlowの優位性
モバイル/エッジ	LiteRT（旧TFLite）は最も成熟したモバイルML推論エンジン
ブラウザ	TensorFlow.jsはブラウザ上で直接推論可能
TPU	Google TPUとのネイティブ統合はTFのみ
MLOps	TFX（TensorFlow Extended）は本番パイプラインの業界標準的存在
可視化	TensorBoardはPyTorchからも使われるほどの標準ツール

基本概念が理解できたところで、実際にコードを書いて動かしてみよう。

5. 実践：実際に使ってみよう

5.1 環境構築

# CPU版
pip install tensorflow

# GPU版（CUDA 12.x対応）
pip install tensorflow[and-cuda]

# Keras 3.0（マルチバックエンド版）を使う場合
pip install keras

注意: TensorFlow 2.20はPython 3.9〜3.13に対応。Python 3.14以降は未サポート（2026年2月現在）。

5.2 環境別の設定ファイル

開発環境用（config.yaml）

# config.yaml - 開発環境用
project:
  name: "tf-project"

environment: development

tensorflow:
  device: "CPU"
  mixed_precision: false
  xla_compilation: false     # 開発時はOFFでデバッグしやすく
  eager_mode: true           # デフォルト

training:
  batch_size: 32
  epochs: 5
  learning_rate: 0.001

logging:
  level: "DEBUG"
  tensorboard_dir: "./logs/dev"

本番環境用（config.production.yaml）

# config.production.yaml - 本番環境用
project:
  name: "tf-project"

environment: production

tensorflow:
  device: "GPU"              # or "TPU"
  mixed_precision: true      # float16で高速化
  xla_compilation: true      # XLAコンパイラ有効化
  eager_mode: false          # Graph modeで最適化

training:
  batch_size: 256
  epochs: 100
  learning_rate: 0.001

serving:
  model_format: "SavedModel"
  tf_serving_port: 8501

logging:
  level: "WARNING"
  tensorboard_dir: "/var/log/tensorboard"

テスト環境用（config.test.yaml）

# config.test.yaml - CI/CD用
project:
  name: "tf-project"

environment: test

tensorflow:
  device: "CPU"
  mixed_precision: false
  xla_compilation: false
  eager_mode: true
  seed: 42

training:
  batch_size: 8
  epochs: 1
  learning_rate: 0.001

logging:
  level: "WARNING"
  tensorboard_dir: "./logs/test"

5.3 基本的な使い方：MNIST分類（Keras API）

"""
TensorFlow/Keras MNIST分類 - 入門用サンプル
実行方法: python tf_mnist.py
必要パッケージ: tensorflow
"""
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np


def create_model():
    """シンプルなMNIST分類モデルを構築"""
    model = keras.Sequential([
        layers.Input(shape=(28, 28)),
        layers.Flatten(),
        layers.Dense(512, activation='relu'),
        layers.Dropout(0.2),
        layers.Dense(256, activation='relu'),
        layers.Dropout(0.2),
        layers.Dense(10, activation='softmax')
    ])

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


def main():
    # --- デバイス確認 ---
    print(f"TensorFlow: {tf.__version__}")
    gpus = tf.config.list_physical_devices('GPU')
    print(f"利用可能GPU: {len(gpus)}台")
    if gpus:
        for gpu in gpus:
            print(f"  {gpu.name}")

    # --- データ準備 ---
    (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
    x_train = x_train.astype('float32') / 255.0
    x_test = x_test.astype('float32') / 255.0

    # --- モデル構築 ---
    model = create_model()
    model.summary()

    # --- TensorBoardコールバック ---
    tensorboard_cb = keras.callbacks.TensorBoard(
        log_dir='./logs',
        histogram_freq=1
    )

    # --- 学習 ---
    history = model.fit(
        x_train, y_train,
        batch_size=64,
        epochs=5,
        validation_split=0.1,
        callbacks=[tensorboard_cb],
        verbose=1
    )

    # --- 評価 ---
    test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0)
    print(f"\nテスト精度: {test_acc:.4f}")

    # --- モデル保存（SavedModel形式） ---
    model.save("mnist_saved_model")
    print("モデルを SavedModel 形式で保存しました")

    # --- モデル保存（Keras形式） ---
    model.save("mnist_model.keras")
    print("モデルを .keras 形式で保存しました")


if __name__ == "__main__":
    main()

5.4 実行結果

$ python tf_mnist.py
TensorFlow: 2.20.0
利用可能GPU: 1台
  /physical_device:GPU:0
Model: "sequential"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type)                        ┃ Output Shape        ┃       Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ flatten (Flatten)                   │ (None, 784)         │             0 │
│ dense (Dense)                       │ (None, 512)         │       401,920 │
│ dropout (Dropout)                   │ (None, 512)         │             0 │
│ dense_1 (Dense)                     │ (None, 256)         │       131,328 │
│ dropout_1 (Dropout)                 │ (None, 256)         │             0 │
│ dense_2 (Dense)                     │ (None, 10)          │         2,570 │
└─────────────────────────────────────┴─────────────────────┴───────────────┘
 Total params: 535,818 (2.04 MB)
Epoch 1/5 - loss: 0.3012 - accuracy: 0.9104 - val_accuracy: 0.9667
Epoch 2/5 - loss: 0.1134 - accuracy: 0.9658 - val_accuracy: 0.9748
Epoch 3/5 - loss: 0.0801 - accuracy: 0.9756 - val_accuracy: 0.9778
Epoch 4/5 - loss: 0.0618 - accuracy: 0.9805 - val_accuracy: 0.9790
Epoch 5/5 - loss: 0.0498 - accuracy: 0.9845 - val_accuracy: 0.9802

テスト精度: 0.9798
モデルを SavedModel 形式で保存しました
モデルを .keras 形式で保存しました

5.5 よくあるエラーと対処法

エラー	原因	対処法
`Could not load dynamic library 'libcudnn.so'`	cuDNNが見つからない	`pip install tensorflow[and-cuda]` で再インストール。またはCUDAを手動セットアップ
`OOM when allocating tensor`	GPUメモリ不足	`tf.config.experimental.set_memory_growth(gpu, True)` で動的メモリ確保に変更
`AttributeError: module 'keras' has no attribute ...`	Keras 2.x と 3.0の混在	`import tensorflow.keras` か `import keras` のどちらかに統一
`ValueError: Shapes (None, 10) and (None, 1) are incompatible`	ラベル形式の不一致	`sparse_categorical_crossentropy` と `categorical_crossentropy` を確認
`Could not find TensorRT`	TensorRTが未インストール	推論高速化が不要なら無視してOK。必要ならNVIDIA TensorRTをインストール

5.6 環境診断スクリプト

#!/usr/bin/env python3
"""
TensorFlow環境診断スクリプト
実行方法: python check_tf_env.py
"""
import sys
import platform


def check_environment():
    """TensorFlow環境をチェック"""
    issues = []
    info = []

    info.append(f"Python: {sys.version_info.major}.{sys.version_info.minor}.{sys.version_info.micro}")
    info.append(f"OS: {platform.system()} {platform.release()}")

    try:
        import tensorflow as tf
        info.append(f"TensorFlow: {tf.__version__}")

        # Eager Mode確認
        info.append(f"Eager Mode: {tf.executing_eagerly()}")

        # GPU確認
        gpus = tf.config.list_physical_devices('GPU')
        if gpus:
            for gpu in gpus:
                info.append(f"GPU: {gpu.name}")
            # CUDA確認
            info.append(f"CUDA対応ビルド: {tf.test.is_built_with_cuda()}")
        else:
            info.append("GPU: 利用不可（CPU実行）")

        # TPU確認
        try:
            tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
            info.append(f"TPU: {tpu.cluster_spec()}")
        except ValueError:
            info.append("TPU: 利用不可")

        # Keras確認
        try:
            import keras
            info.append(f"Keras: {keras.__version__}")
            if hasattr(keras, 'backend'):
                info.append(f"Keras Backend: {keras.backend.backend()}")
        except ImportError:
            info.append("Keras (standalone): 未インストール")

        # XLA確認
        info.append(f"XLAビルド: {tf.test.is_built_with_xla()}")

    except ImportError:
        issues.append("TensorFlowがインストールされていません")

    # 結果
    print("=" * 50)
    print(" TensorFlow 環境診断レポート")
    print("=" * 50)
    print("\n[環境情報]")
    for item in info:
        print(f"  {item}")
    if issues:
        print(f"\n[問題点: {len(issues)}件]")
        for issue in issues:
            print(f"  - {issue}")
    else:
        print("\n  環境は正常です！")
    print("=" * 50)


if __name__ == "__main__":
    check_environment()

実装方法がわかったので、次は具体的なユースケースを見ていこう。

6. ユースケース別ガイド

6.1 ユースケース1: TensorFlow Servingで本番デプロイ

想定読者: 学習済みモデルをAPI化して本番環境に載せたい方

推奨構成: TensorFlow + SavedModel + TF Serving (Docker)

サンプルコード:

"""
モデルをSavedModel形式で保存（TF Serving対応）
"""
import tensorflow as tf
from tensorflow import keras

# モデル定義・学習は省略（前節参照）
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')

# SavedModel形式で保存（バージョニング対応）
export_path = "./saved_models/mnist/1"  # バージョン番号
model.save(export_path)
print(f"SavedModel exported to: {export_path}")

# Docker経由でTF Servingを起動
docker run -p 8501:8501 \
  --mount type=bind,source=$(pwd)/saved_models/mnist,target=/models/mnist \
  -e MODEL_NAME=mnist \
  tensorflow/serving

# curlで推論リクエスト
curl -d '{"instances": [[0.0, 0.1, 0.2, ...]]}' \
  -X POST http://localhost:8501/v1/models/mnist:predict

6.2 ユースケース2: LiteRT（TFLite）でモバイルデプロイ

想定読者: モデルをスマートフォンやエッジデバイスで動かしたい方

推奨構成: TensorFlow + TFLite Converter + LiteRT

サンプルコード:

"""
Kerasモデル → TFLite変換（モバイル向け）
"""
import tensorflow as tf

# 学習済みモデルを読み込み
model = tf.keras.models.load_model("mnist_saved_model")

# TFLiteに変換
converter = tf.lite.TFLiteConverter.from_saved_model("mnist_saved_model")
converter.optimizations = [tf.lite.Optimize.DEFAULT]  # 量子化で軽量化
tflite_model = converter.convert()

# 保存
with open("mnist_model.tflite", "wb") as f:
    f.write(tflite_model)

original_size = sum(
    v.numpy().nbytes for v in model.trainable_variables
)
print(f"元モデル: {original_size / 1024:.1f} KB")
print(f"TFLite: {len(tflite_model) / 1024:.1f} KB")
print(f"圧縮率: {len(tflite_model) / original_size:.1%}")

6.3 ユースケース3: Keras 3.0マルチバックエンド活用

想定読者: TF/PyTorch両対応のコードを書きたい方

推奨構成: Keras 3.0 + 任意バックエンド

サンプルコード:

"""
Keras 3.0のマルチバックエンド機能
環境変数でバックエンドを切り替え可能
"""
import os
# バックエンド選択（tensorflow / torch / jax）
os.environ["KERAS_BACKEND"] = "tensorflow"  # or "torch" or "jax"

import keras
from keras import layers, ops

print(f"Keras: {keras.__version__}")
print(f"Backend: {keras.backend.backend()}")

# このコードはTF/PyTorch/JAXどれでも動く！
model = keras.Sequential([
    layers.Dense(256, activation="relu"),
    layers.Dropout(0.3),
    layers.Dense(10, activation="softmax"),
])

# バックエンド非依存の演算
x = ops.ones((2, 784))
output = model(x)
print(f"Output shape: {output.shape}")

ユースケースを把握できたところで、この先の学習パスを確認しよう。

7. 学習ロードマップ

初級者向け（まずはここから）

TensorFlow公式チュートリアル - 初心者向け - 15分でMNIST分類を体験
Keras公式ガイド - Keras 3.0のマルチバックエンド入門
本記事のMNISTサンプルでTensorBoardを使ってみる（tensorboard --logdir=./logs）

中級者向け（実践に進む）

@tf.function を使ったパフォーマンス最適化を体験する
TF Serving公式ガイドでモデルのAPI化を学ぶ
TFLite/LiteRTでモバイル向けモデル変換を試す
TFX（TensorFlow Extended）でMLパイプラインを構築する

上級者向け（さらに深く）

XLAコンパイラによる計算最適化を学ぶ
TPU Research Cloud で無料TPUを使った大規模学習を試す
Keras 3.0でPyTorch/JAXバックエンドへの切り替えを検証する
カスタムオペレーターの実装（tf.custom_gradient）

8. まとめ

この記事では、TensorFlowについて以下を解説した。

TensorFlowの現在地 - 研究ではPyTorchが優勢だが、本番デプロイ・モバイル・MLOpsではTFが依然として強い
エコシステムの全体像 - Keras、TF Serving、LiteRT、TFX、TensorBoard、TPUが織りなす包括的なプラットフォーム
実践的な使い方 - Keras APIでの開発から、SavedModel保存、TF Serving/TFLiteデプロイまで

私の所感

「TensorFlowはオワコン」と言い切れるほど、この業界は単純ではない。

確かに、研究論文やHuggingFaceエコシステムでのPyTorch優位は揺るがない。私自身、新しいモデルを試す時はPyTorchを使うことが圧倒的に多い。しかし、「学習したモデルをどうやってユーザーに届けるか」という段階になると、TensorFlowのエコシステムが持つ成熟度は無視できない。

2026年の正解は「TF vs PyTorch」の二択ではなく、「Keras 3.0で書いてバックエンドを選ぶ」という第三の道だ。

そして何より、TensorBoardという可視化ツールは、PyTorchユーザーですら手放せない存在になっている。フレームワークの壁を越えて使われるツールを生み出した時点で、TensorFlowの歴史的功績は揺るがない。

「知ってるようで知らない」TensorFlow。その全体像を掴んだ今、あなたのツールボックスは確実に広がったはずだ。

参考文献