20 万星也留不住人心：TensorFlow 的「人气衰退」，本质是易用性迟到了十年
【免费下载链接】tensorflowAn Open Source Machine Learning Framework for Everyone项目地址: https://gitcode.com/GitHub_Trending/te/tensorflow
TensorFlow 可能是开源史上最矛盾的项目：它头顶接近 20 万颗 GitHub 星、拥有谷歌 Brain 团队背书、几乎以一己之力定义了"深度学习框架"这个词，却在过去五年里眼睁睁看着后来者抢走学术界与新生代开发者的心智。社区里的讨论从"TensorFlow 与 PyTorch 谁更强"变成了"为什么新人都在学 PyTorch"，CSDN 上至今仍有大量 2024 年的教程在教读者"什么是图、什么是会话、什么是占位符"——这些词汇本身，就是 TensorFlow 人气流失的说明书。本文不打算复述框架之间的口水战，而是回到仓库源码与社区情报的时间线上，论证一个结论：TensorFlow 的衰退不是性能输给了谁，而是把"让开发者舒服地写代码"这件事，整整迟到了十年。
一、迟到十年：从静态图到 eager 模式的漫长转身
一切要从 TensorFlow 的设计原点说起。2015 年开源时，它继承了 DistBelief 在谷歌内部积累的分布式图执行架构：开发者先描述一张计算图，再通过Session去运行它，张量是符号化的占位，只有session.run()那一刻数值才会真正流动。这套"先构图、后执行"的模型在集群训练场景下极其强悍，却是对新手最不友好的一种编程心智：打印一个张量要看它的shape，调试要靠tf.Print，写一个if都要绕道tf.cond。
谷歌并非不知道问题所在。打开仓库里的 tensorflow/python/eager/core.py，文件头注释写得清清楚楚——"""Experimental API for TensorFlow's "Eager" mode of execution."""，而版权行是 2017。也就是说，谷歌在 2017 年就已经实现了 eager 模式的实验原型，但直到 2019 年 TensorFlow 2.0 才把它设为默认执行方式。这中间隔了整整两年，而这两年恰恰是 PyTorch 从 0.1 版本起步、用"动态图"重新教育全球开发者的窗口期。
更具讽刺意味的是，2017 年 eager 实验代码落地的同时，整个社区的教学体系还停留在 1.x 静态图上。情报快照里的 CSDN 教程时间线清晰可见：2019 年 7 月的文章仍在讲解"将程序分为构建和运行计算图两部分""Session 的相关知识和操作方法"；掘金上 2021 年 10 月的部署教程还在郑重其事地使用 TensorFlow 1.15。当 TensorFlow 2.0 在 2019 年 9 月宣布默认 eager 时，无数人此前几个月刚在 1.x 上写完毕业设计——API 从tf.Session()、tf.placeholder到tf.function、Keras 层的断裂式迁移，让"升级"本身成了一场灾难。
二、PyTorch 的"第一印象"：Pythonic 不是营销词
对比之下，PyTorch 从 2017 年 1 月诞生的第一天起就是 eager 的。x + y就是数值相加，if就是普通 Python 分支，打印张量直接能看到数字。这种"零概念前置"的设计让它的第一印象不是"框架"，而是"Python 本身"。
很多人把这场竞争归因于营销，但仓库源码能说明问题：今天 TensorFlow 官方 README 的"Try your first TensorFlow program"（见 README.md）给出的第一个示例是这样的：
>>> import tensorflow as tf >>> tf.add(1, 2).numpy() 3 >>> hello = tf.constant('Hello, TensorFlow!') >>> hello.numpy() b'Hello, TensorFlow!'简洁、直觉、所见即所得——这恰恰是 PyTorch 从 2017 年就具备的体验，而 TensorFlow 直到 2.x 时代才把它写进 README 的第一屏。换句话说，TensorFlow 最引以为傲的易用性改进，本质上是在追赶对手十年前就有的默认值。
更关键的是，TensorFlow 2.x 的 eager 默认值背后藏着一层复杂性：为了同时满足"开发者写得舒服"和"性能不塌方"，它引入了tf.function与 AutoGraph 这套 trace 编译机制。看 tensorflow/python/eager/polymorphic_function/polymorphic_function.py 中function()的签名——autograph=True、jit_compile、reduce_retracing、experimental_relax_shapes一长串参数，对应的是"闭包里的 Python 变量会被怎样捕获""数据相关的if/for能否被 AST 重写""形状变化会不会触发重复 tracing"等一堆隐性规则。配套的 AutoGraph 转换器（见 tensorflow/python/autograph/impl/api.py 中的converted_call与异常元数据机制）试图把 Python 控制流自动翻译成图算子，但"看似普通、实则特殊"的函数语义，依然给调试埋下了大量深坑。PyTorch 的用户写 Python 就是写 Python；TensorFlow 2 的用户写 Python，还要时刻意识到自己在被一层看不见的编译器监视。这种心智负担，就是"第一印象"差距在工程层的具象化。
三、易用性如何决定开发者代际更替
深度学习爆发于 2018-2020 年，恰好是人类历史上规模最大的一次"零基础开发者涌入 AI 领域"。这批人的学习路径高度依赖三条线索：网课、博客教程、论文复现。而在这三条线上，TensorFlow 的静态图心智都是减分项：
- 网课与博客：2018-2019 年的主流 TensorFlow 教程几乎都围绕
Graph、Session、placeholder展开，正如情报中的 CSDN 教程所呈现的那样；而 PyTorch 教程的第一课就是"张量与自动求导"，上手成本相差一个数量级。 - 论文复现：从 2019 年起，顶会论文的官方代码与社区复现压倒性倾向 PyTorch。研究者关心的不是框架的分布式能力，而是"作者的代码我能不能直接跑"。这一环的失守，让 TensorFlow 在学术引用与开源模型生态中持续失血。
- Kaggle 与竞赛：竞赛社区的教程、notebook、baseline 几乎全数切换到 PyTorch，进一步把新人的第一选择固化为 PyTorch。
易用性决定代际更替，代际更替决定生态话语权。一个 2021 年入行的开发者，大概率从没写过一行tf.Session，他在 TensorFlow 仓库里看到的只有"历史包袱"，在 PyTorch 仓库里看到的则是"同类"。当一代人的默认技能栈定型，框架的 Star 数就变成了情怀数据——20 万星证明它曾经伟大，却无法阻止新人用脚投票。这也是为什么"星数"与"人气"之间会出现如此刺眼的背离。
四、2026 年，谷歌还能挽回什么
承认问题之后，更值得讨论的是：在 2026 年的当下，TensorFlow 是否还有翻盘的抓手。仓库源码给出的答案是"有，但方向早已不是追回 PyTorch 的开发者心智"：
第一，把"性能与部署"做成护城河。训练侧的tf.function+ XLA/JIT 编译链路、jit_compile参数与experimental_compile选项（见上文function()签名），说明谷歌在"图执行性能"上的积累依然深厚；而基于 MLIR 的编译器栈（架构见 tensorflow/compiler/mlir/g3doc/images/mlir-infra.svg）是 TensorFlow 2.x 时代最被低估的重构——它把 Python 前端、图优化、硬件 codegen 解耦成多层可插拔架构，让 TensorFlow 在异构加速器上的部署能力依旧领先。MLIR 与 StableHLO 的推进，本质上是在为"模型生产化"而非"新手友好"下注。
第二，押注 Keras 3 与 JAX 的合流。当框架之战从"训练体验"转移到"生态兼容"时，Keras 3 的多后端策略（同时承接 TensorFlow、JAX、PyTorch）反而让 TensorFlow 变成了一张"兼容层"——开发者可以保留 PyTorch 的训练手感，同时在 TensorFlow 生态中完成部署。仓库中 Keras 训练核心的Model.fit接口（见 tensorflow/python/keras/engine/training.py）至今保持着业界最完备的高层训练 API：回调、分布式策略、数据管线一站式整合，这正是 PyTorch 至今仍需拼装 Lightning 等第三方库才能补足的部分。
第三，巩固端侧与移动端的统治区。TensorFlow Lite（现已更名 LiteRT）在 tensorflow/lite/python/interpreter.py 中提供的Interpreter与Delegate抽象，加上庞大的算子库与硬件委托体系，使其在移动端推理、嵌入式场景几乎无对手。当大模型的推理成本问题把"端侧部署"推回舞台中央时，这块业务可能是 TensorFlow 在未来几年最稳定的基本盘。
结语：星数是遗产，易用性是通行证
回看这场衰退，最值得警惕的教训不是"谷歌做错了什么"，而是一个以工程能力著称的团队，为何会对"开发者体验"这个最显性的变量反应如此迟钝。静态图架构本身并没有错——它成就了分布式训练的上限；但当 eager 原型在 2017 年就已存在、却要拖到 2019 年才成为默认时，TensorFlow 错过的不是两年时间，而是一整代开发者的学习曲线与情感连接。
20 万颗星证明了它的历史地位，却买不回当年那个本可以属于自己的第一印象。2026 年的 TensorFlow 依然强大，只是它的舞台已经从"人人都能上手的第一框架"，转向了"生产级部署的最后一道关口"。人气衰退未必是终局，但那份"迟到了十年"的易用性，已经永远改变了深度学习开源生态的座次。
【免费下载链接】tensorflowAn Open Source Machine Learning Framework for Everyone项目地址: https://gitcode.com/GitHub_Trending/te/tensorflow
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
