딥러닝을 공부하다 보면 PyTorch와 함께 가장 많이 등장하는 이름이 TensorFlow다.
둘 다 딥러닝 프레임워크인데, 성격은 꽤 다르다.
이번 편에서는 TensorFlow가 어떤 느낌의 프레임워크인지, 그리고 PyTorch와 어떤 차이가 있는지를 가볍게 정리해본다.
1. TensorFlow의 출발점
TensorFlow는 구글에서 만들었다.
초창기에는 “딥러닝 프레임워크의 표준”처럼 여겨졌고, 특히 산업 현장에서 많이 쓰였다.
구글이 자사 제품에 직접 활용했기 때문에 자연스럽게 생태계가 커졌다.
TensorFlow의 철학은 다음과 비슷하다.
“대규모 서비스에서 안정적으로 굴러가는 딥러닝 프레임워크”
즉, 배포와 운영을 더 중시한 구조라는 의미다.
2. Keras라는 인터페이스가 TensorFlow를 쉽게 만들어줬다
TensorFlow 자체는 구조가 조금 복잡해 보일 수 있다.
그래서 많은 사람들이 Keras라는 고수준 API를 쓴다.
Keras는 다음처럼 심플하다.
from tensorflow import keras
model = keras.Sequential([
keras.layers.Dense(64, activation='relu'),
keras.layers.Dense(1)
])
PyTorch보다 구조가 단정하고 깔끔한 편이며, 입문자가 딥러닝을 처음 배울 때 도움이 되는 스타일이다.
3. TensorFlow의 핵심 특징: 정적 계산 그래프의 전통
초창기 TensorFlow는 “정적 계산 그래프” 방식이었다.
그래프를 먼저 선언하고, 나중에 실행하는 구조다.
이 방식은 다음과 같은 장점이 있었다.
- 최적화된 그래프를 통해 속도를 끌어올릴 수 있음
- 배포 환경(TF Serving, TFLite)에서 일관성이 있음
하지만 단점도 있었다.
- 코드가 직관적이지 않음
- 실험용으로 빠르게 구조를 바꾸기 어렵다
이 때문에 연구자들은 PyTorch로 많이 이동했다.
이후 TensorFlow 2.x 버전에서 동적 그래프(Eager Execution)가 도입되며 개선됐지만, 프레임워크의 기본 철학은 여전히 “안정적 배포”에 더 가까운 편이다.
4. TensorFlow의 확실한 강점
TensorFlow는 실험보다 “실제 서비스 운영”에 강점이 있다.
특히 다음 분야에서 강력하다.
- 모바일/IoT용 TFLite
- 서버 배포용 TF Serving
- TPU 지원
- 구글 클라우드와의 연동
모바일 앱, 임베디드 디바이스, 대규모 서비스에서 딥러닝 모델을 굴리고 싶다면 TensorFlow가 오히려 더 효율적이다.
5. PyTorch와 비교하면 어떤 느낌일까?
입문자 관점에서 느껴지는 차이를 한 문장으로 표현한다면 이렇다.
- PyTorch: 실험과 연구에 최적화된 도구
- TensorFlow: 대규모 서비스에 최적화된 도구
딥러닝을 막 학습하는 단계라면 PyTorch가 자연스럽고 이해하기 쉽다.
모델을 실제 서비스에 얹어야 하는 상황에서는 TensorFlow가 강점이 있다.
6. 입문자는 어떤 걸 먼저 배우는 게 좋을까?
둘 다 배워서 손해볼 건 없지만, 요즘 딥러닝 흐름을 보면 PyTorch가 더 자연스러운 출발점이다.
- LLM 연구 대부분 PyTorch 기반
- 대부분의 최신 튜토리얼·논문·코드가 PyTorch 중심
- 실험 과정이 직관적이고 이해하기 쉬움
TensorFlow는 이후 “배포”나 “모바일 경량화”를 공부할 때 자연스럽게 함께 보게 되는 느낌에 가깝다.