Características de TensorFlow: Keras, grafos y despliegue

Las características principales de TensorFlow son su base en tensores, los grafos que se ejecutan sin Python, la interfaz Keras y un conjunto de herramientas para llevar modelos a servidores, teléfonos y navegadores. TensorFlow es la plataforma de código abierto de Google para aprendizaje automático. Su versión estable en noviembre de 2026 es la 2.21.

Qué es TensorFlow y de dónde viene

La web oficial de TensorFlow lo presenta como una plataforma integral para el aprendizaje automático. Es decir, no se limita a entrenar redes neuronales: también cubre la preparación de datos, la medición de resultados y la puesta en producción.

Por otro lado, TensorFlow nació en Google. Según el artículo de Jeff Dean y Rajat Monga del 9 de noviembre de 2015, la empresa lo liberó ese día con licencia Apache 2.0. Hasta entonces usaba DistBelief, su infraestructura interna de aprendizaje profundo desde 2011. Sin embargo, DistBelief estaba muy centrado en redes neuronales, era difícil de configurar y dependía de la infraestructura interna de Google. Por eso Google creó un sucesor más general y abierto.

Para situar TensorFlow dentro del campo, ayuda repasar los conceptos básicos del machine learning. TensorFlow es una de las herramientas que llevan esos conceptos a código.

Tensores y grafos: cómo trabaja TensorFlow por dentro

En primer lugar, la característica más básica está en el nombre. La guía oficial de tensores los define como matrices de varias dimensiones con un tipo de dato uniforme. Además, todos los tensores son inmutables: no se modifica su contenido, sino que se crea uno nuevo. Por ejemplo, un lote de 32 fotos en color puede guardarse como un tensor de cuatro ejes.

En segundo lugar, TensorFlow tiene un doble modo de ejecución. Según la introducción a los grafos de TensorFlow, el modo inmediato ejecuta las operaciones una a una desde Python. En cambio, con tf.function el código se convierte en un grafo. Después, ese grafo se guarda y se ejecuta sin el código Python original. En consecuencia, puede funcionar en aplicaciones móviles, dispositivos integrados y servidores.

Los grafos también aceleran el trabajo. La misma guía explica que permiten optimizar el cálculo, repartirlo entre hilos o dispositivos y simplificar operaciones. Aun así, crear el grafo tiene un costo inicial, de modo que los primeros pasos del entrenamiento pueden ir más lentos.

Keras: la característica que simplifica el trabajo

Keras es la puerta de entrada. La guía de Keras en TensorFlow la describe como la interfaz de alto nivel de la plataforma. Además, afirma que todo usuario de TensorFlow debería usarla por defecto. En concreto, sus estructuras centrales son las capas y los modelos. El modelo más simple es el secuencial, una pila lineal de capas.

En la práctica, entrenar con Keras exige pocas instrucciones. El método fit entrena el modelo, evaluate devuelve la pérdida y las métricas, y predict genera predicciones. Además, la guía indica que Keras escala a varias GPU y TPU. Sus modelos, incluso, se pueden exportar al navegador o a dispositivos móviles. Solo algunos casos, como crear herramientas propias sobre TensorFlow, requieren las interfaces de bajo nivel.

Del servidor al teléfono: el ecosistema de TensorFlow

Una de las características más prácticas de TensorFlow es la variedad de destinos. La portada oficial agrupa estas herramientas en su ecosistema:

• tf.data: prepara los datos y crea flujos de entrada para los modelos.
• TensorBoard: visualiza y sigue el desarrollo de los modelos.
• TFX: crea flujos de producción y aplica buenas prácticas de operación de modelos.
• LiteRT: despliega modelos en móviles y dispositivos como Android, iOS, Raspberry Pi y Edge TPU.
• TensorFlow.js: entrena y ejecuta modelos en el navegador con JavaScript o en Node.js.

LiteRT merece una nota. Según su página en Google AI Edge, es el entorno de inferencia de Google para dispositivos y está construido sobre TensorFlow Lite. Por lo tanto, quien tenga aplicaciones con TensorFlow Lite encontrará allí una guía de migración.

Los casos de estudio de TensorFlow muestran estos destinos en acción. Por ejemplo, InSpace usa TensorFlow.js para detectar comentarios tóxicos en el navegador, sin enviar el texto a un servidor externo. VSCO usa TensorFlow Lite para sugerir ajustes de edición en el propio teléfono. Por su parte, Spotify usa TFX para personalizar recomendaciones. Asimismo, PayPal aplica TensorFlow para reconocer patrones de fraude que cambian con el tiempo.

Versión actual y requisitos de instalación

Según el historial de versiones en PyPI, la versión estable es TensorFlow 2.21.0, publicada el 6 de marzo de 2026. Además, el 22 de septiembre de 2026 apareció la 2.22.0rc0, una versión candidata que todavía no es estable.

La guía de instalación con pip aclara tres puntos que suelen generar dudas:

• Desde TensorFlow 2.21 no se admite Python 3.9; hay que usar Python 3.10 a 3.13.
• TensorFlow 2.10 fue la última versión con GPU en Windows nativo. Desde la 2.11, la GPU en Windows exige WSL2 en Windows 10 19044 o superior.
• En macOS no hay soporte oficial de GPU, así que TensorFlow funciona allí con el procesador.

Por eso, en una laptop con Windows y tarjeta NVIDIA, conviene preparar WSL2 antes de instalar. Si solo vas a aprender, la versión para procesador basta.

Cuándo elegir TensorFlow y cuándo PyTorch

TensorFlow y PyTorch resuelven el mismo problema con enfoques distintos. Por eso, la tabla resume los datos verificados de ambos en noviembre de 2026. Si quieres profundizar en la otra opción, consulta qué es PyTorch y cómo funciona.

En empresas de Panamá y Latinoamérica, la elección suele depender de dónde vivirá el modelo. Si debe correr dentro de una app o una página web, TensorFlow ofrece herramientas listas para eso. Si el equipo investiga y cambia el modelo a menudo, PyTorch resulta más directo. En ambos casos, el lenguaje base es Python, como explicamos en la guía de lenguajes de programación para inteligencia artificial. Y si prefieres delegar el desarrollo, conoce nuestras soluciones de inteligencia artificial para empresas en Panamá.