Qué es TensorFlow: para qué sirve, Keras y versión actual

https://img.freepik.com/fotos-premium/cientifico-informatico-que-utiliza-tecnologia-ia-pc-hacer-controles-sala-servidores_482257-100460.jpg
Contenido
  1. Qué es TensorFlow y para qué sirve
  2. Historia de TensorFlow: de DistBelief al código abierto
  3. Cómo funciona TensorFlow: ejecución inmediata y grafos
  4. Versión actual de TensorFlow y requisitos
  5. El ecosistema de TensorFlow
  6. Ejemplos reales de uso de TensorFlow
  7. TensorFlow o PyTorch: cuál elegir
  8. Preguntas frecuentes sobre TensorFlow

TensorFlow es la plataforma de código abierto de Google para crear, entrenar y desplegar modelos de aprendizaje automático. Google la liberó en noviembre de 2015 con licencia Apache 2.0. En noviembre de 2026, su versión estable es la 2.21 y se programa sobre todo con Keras, su interfaz de alto nivel.

Qué es TensorFlow y para qué sirve

TensorFlow sirve para construir modelos que aprenden de los datos y luego hacen predicciones. Su web oficial lo presenta como una plataforma integral para el aprendizaje automático. Es decir, cubre desde la preparación de los datos hasta el despliegue del modelo en un servidor, un navegador o un teléfono.

El nombre viene de su unidad básica, el tensor. Según la guía oficial de tensores, un tensor es una matriz de varias dimensiones con un tipo de dato uniforme. Por ejemplo, una foto en color se representa como un tensor de alto, ancho y canales de color. Además, la guía aclara que los tensores son inmutables: no se modifican, se crean otros nuevos.

TensorFlow se usa sobre todo para el aprendizaje profundo, aunque no solo para eso. Si quieres entender primero la diferencia entre ambos conceptos, lee nuestra guía sobre qué es el aprendizaje automático y la entrada sobre qué es el deep learning.

Historia de TensorFlow: de DistBelief al código abierto

TensorFlow tiene un antecesor interno. Según el anuncio de Jeff Dean y Rajat Monga del 9 de noviembre de 2015, Google usaba desde 2011 una infraestructura llamada DistBelief. Sin embargo, los autores reconocen que DistBelief tenía límites: estaba muy centrada en redes neuronales y era difícil de configurar.

Ese mismo anuncio presentó TensorFlow como su sucesor y lo liberó con licencia Apache 2.0. Así, cualquier empresa, universidad o persona pudo usarlo sin pagar. Después, en marzo de 2016, Martín Abadi y otros autores publicaron el artículo técnico de TensorFlow. Ese texto lo define como una interfaz para expresar algoritmos de aprendizaje automático y una implementación para ejecutarlos.

El mismo artículo destaca su portabilidad. En concreto, TensorFlow podía ejecutarse desde teléfonos y tabletas hasta sistemas distribuidos de cientos de máquinas.

Libros de IA que no te puedes perder: manuales y ensayos
Cronología de TensorFlowTensorFlow lleva más de diez años abierto y sigue publicando versiones nuevas.
  • 2011Google empieza a usar DistBelief, su infraestructura interna de aprendizaje profundo.
  • 20159 de noviembre: Google libera TensorFlow con licencia Apache 2.0.
  • 20266 de marzo: sale TensorFlow 2.21, la versión estable vigente.
  • 2.2222 de septiembre de 2026: se publica la primera versión preliminar de TensorFlow 2.22.

Fuente: Google Research y historial de versiones en PyPI; consulta: 11 de noviembre de 2026.

Cómo funciona TensorFlow: ejecución inmediata y grafos

TensorFlow 2 trabaja de dos maneras. Según la guía de grafos de TensorFlow, en la ejecución inmediata Python ejecuta las operaciones una a una y devuelve los resultados al momento. Este modo resulta cómodo para aprender y para depurar errores.

La segunda manera son los grafos, que se crean con tf.function. Un grafo es una estructura de datos que se puede guardar, ejecutar y restaurar sin el código original de Python. Por eso, la misma guía explica que un grafo funciona en aplicaciones móviles, dispositivos integrados y servidores sin intérprete de Python. Además, los grafos suelen ofrecer mejor rendimiento y facilitan el uso de varios dispositivos.

Keras organiza el trabajo en dos piezas. Según su guía, las estructuras centrales son las capas y los modelos. Una capa es una transformación sencilla de entrada a salida, y un modelo agrupa capas que se entrenan con datos. Por ejemplo, el modelo secuencial es una pila lineal de capas. Después, el método fit entrena el modelo, predict genera predicciones y evaluate mide el error y las métricas.

Sobre esa base trabaja Keras. La guía de Keras la define como la interfaz de alto nivel de la plataforma TensorFlow y recomienda que todo usuario empiece con ella. En la versión actual, Keras 3 también funciona con otros motores: su web oficial menciona JAX, TensorFlow y PyTorch.

Versión actual de TensorFlow y requisitos

La versión estable de TensorFlow en noviembre de 2026 es la 2.21. Según el historial de versiones en PyPI, salió el 6 de marzo de 2026. Además, la primera versión preliminar de TensorFlow 2.22 apareció el 22 de septiembre de 2026.

Las notas de versión en GitHub resumen los cambios principales. TensorFlow 2.21 eliminó el soporte de Python 3.9 y dejó de instalar TensorBoard por defecto. Por su parte, la versión preliminar 2.22 añade Python 3.14 y un soporte inicial de CUDA 13.

También conviene revisar el sistema operativo. La guía de instalación con pip indica que TensorFlow 2.10 fue la última versión con GPU en Windows nativo. Desde entonces, en Windows la GPU se usa a través de WSL2. En cambio, en macOS no hay soporte oficial de GPU.

IA en la experiencia del cliente: usos reales y qué viene

El ecosistema de TensorFlow

TensorFlow agrupa varias herramientas con funciones distintas. La web oficial destaca estas piezas principales:

Herramientas del ecosistema TensorFlow y para qué sirve cada una
Herramienta Tipo Para qué sirve
Keras Interfaz de alto nivel Crear y entrenar modelos; puede escalar a grandes clústeres de GPU o a TPU
TensorFlow.js Biblioteca Entrenar y ejecutar modelos con JavaScript en el navegador o en Node.js
LiteRT Biblioteca Desplegar modelos en Android, iOS, Raspberry Pi y Edge TPU
TFX Biblioteca Crear flujos de producción y aplicar buenas prácticas de operación de modelos
TensorBoard Herramienta Visualizar y seguir el desarrollo de los modelos

LiteRT merece una aclaración. Según Google AI Edge, LiteRT es el entorno de inferencia de Google para dispositivos y se construye sobre la base de TensorFlow Lite. Por lo tanto, para llevar un modelo a un teléfono conviene partir de esa documentación, que incluye una guía para migrar aplicaciones de TensorFlow Lite.

Ejemplos reales de uso de TensorFlow

La página de casos de estudio de TensorFlow recoge ejemplos publicados por las propias empresas. Por ejemplo:

  • Airbnb usa TensorFlow para clasificar imágenes y detectar objetos a gran escala.
  • GE Healthcare entrena una red neuronal para identificar zonas anatómicas en resonancias magnéticas del cerebro.
  • PayPal lo aplica para reconocer patrones de fraude complejos que cambian con el tiempo.
  • Google lo usa en productos como el buscador, Gmail y el traductor.

Estos casos muestran el tipo de problema que TensorFlow resuelve bien: clasificar imágenes, detectar anomalías y ordenar información. Sin embargo, el éxito de un modelo depende también de cómo se mide. Por eso recomendamos revisar cómo hacer una evaluación efectiva de modelos antes de llevarlo a producción.

TensorFlow o PyTorch: cuál elegir

TensorFlow y PyTorch son las dos plataformas más conocidas de aprendizaje profundo. TensorFlow destaca por su ecosistema de despliegue, con LiteRT, TensorFlow.js y TFX. En cambio, PyTorch destaca por su grafo dinámico y su estilo propio de Python. Comparamos ambos con más detalle en nuestra entrada sobre qué es PyTorch.

Para una empresa, la decisión depende del equipo, de los modelos disponibles y del lugar donde funcionará el sistema. Si necesitas ayuda para decidirlo, nuestros servicios de consultoría en inteligencia artificial cubren desde el análisis de datos hasta el aprendizaje automático en producción.

Preguntas frecuentes sobre TensorFlow

¿TensorFlow es gratis?

Sí. Google liberó TensorFlow el 9 de noviembre de 2015 con licencia Apache 2.0, que permite usarlo en empresas y universidades sin pagar. El coste real de un proyecto con TensorFlow suele estar en el hardware, como las GPU, en la nube y en el tiempo del equipo que prepara los datos y los modelos.

¿Cuál es la versión actual de TensorFlow?

La versión estable en noviembre de 2026 es TensorFlow 2.21, publicada el 6 de marzo de 2026. Admite Python 3.10 a 3.13 y ya no admite Python 3.9. Además, desde el 22 de septiembre de 2026 existe una versión preliminar de TensorFlow 2.22, que añade Python 3.14.

¿Qué relación hay entre TensorFlow y Keras?

Keras es la interfaz de alto nivel de TensorFlow. La documentación oficial recomienda que todo usuario de TensorFlow empiece con Keras, porque simplifica la creación y el entrenamiento de modelos. Keras 3 también funciona con otros motores, como JAX y PyTorch, de modo que el mismo código puede ejecutarse sobre distintas plataformas.

¿Puedo usar TensorFlow con GPU en Windows?

Sí, pero a través de WSL2. TensorFlow 2.10 fue la última versión con soporte de GPU en Windows nativo. Desde la 2.11, la guía oficial indica instalarlo en WSL2, que requiere Windows 10 versión 19044 o posterior, o bien usar la versión solo para CPU en Windows nativo.

¿Qué lenguaje de programación usa TensorFlow?

Principalmente Python. La instalación oficial se hace con pip y Keras se programa en Python. Sin embargo, TensorFlow.js permite crear y ejecutar modelos con JavaScript en el navegador o en Node.js. Además, LiteRT permite llevar modelos a aplicaciones de Android e iOS.

¿Qué empresas usan TensorFlow?

Google lo usa en productos como el buscador, Gmail y el traductor. Además, la página oficial de casos de estudio menciona a Airbnb, que clasifica imágenes de alojamientos, a GE Healthcare, que analiza resonancias cerebrales, y a PayPal, que lo aplica a la detección de fraude.

Scroll al inicio