¿Qué es TensorFlow?
TensorFlow es la plataforma de aprendizaje automático de código abierto de Google, nacida en el equipo Google Brain. Ofrece API y herramientas para crear, entrenar y desplegar modelos, con API estables en Python y C++ y un ecosistema más amplio para otros lenguajes. Keras 3 es su API de alto nivel para construir modelos, y la pila se extiende a TensorFlow Lite (LiteRT) para móvil y edge y a TensorFlow.js para el navegador.
Es uno de los repositorios con más estrellas de GitHub, con unas 201.000, y tiene licencia Apache-2.0. El núcleo está escrito sobre todo en C++, con la interfaz principal en Python. La última versión etiquetada es la v2.21.0 (6 de marzo de 2026), y el desarrollo continúa en la rama principal.
Es la alternativa de siempre a PyTorch, que se ha convertido en la opción por defecto para investigación y grandes modelos de lenguaje; la fuerza que le queda a TensorFlow es el despliegue en producción y la inferencia en el dispositivo.
¿Merece la pena TensorFlow?
TensorFlow sigue siendo una plataforma completa de aprendizaje automático más que una sola biblioteca: pipelines de datos con tf.data, construcción de modelos con Keras 3, entrenamiento, evaluación y despliegue en servidores, móvil, edge y navegador. Para un equipo que necesita llevar un modelo entrenado a un teléfono o a un microcontrolador, la vía de TensorFlow Lite y LiteRT es más madura que la mayoría de las alternativas, y es ahí, no en la investigación, donde hoy se gana el sueldo.
El centro de gravedad se ha desplazado, eso sí. PyTorch domina la investigación publicada y el ecosistema de grandes modelos de lenguaje, y la mayor parte del código de modelos nuevos, los tutoriales y los pesos preentrenados aparecen allí primero. Keras 3 responde en parte a esto funcionando sobre TensorFlow, PyTorch o JAX, de modo que un equipo puede escribir Keras una vez y cambiar de backend, pero eso también reconoce discretamente que el backend ya no es TensorFlow por defecto.
El framework es un medio, no un servicio: te da la maquinaria de cálculo, diferenciación automática y optimización, pero los datos, la evaluación, el conocimiento del dominio y la planificación del despliegue los sigues poniendo tú. La curva de aprendizaje es real, y la instalación en CPU, GPU y Docker con las versiones de CUDA correctas es una fuente recurrente de fricción, reflejada en un número de incidencias abiertas que se cuenta por miles.
Para los lectores de este sitio, que sobre todo construyen sobre modelos de IA existentes mediante API, TensorFlow importa cuando un proyecto necesita un modelo propio o en el dispositivo en lugar de uno alojado. En ese nicho es una opción fiable y bien documentada, respaldada por Google; para todo lo que tenga forma de LLM, el ecosistema se ha decantado en gran medida por PyTorch y las bibliotecas construidas a su alrededor.
Dónde se gana su sitio
Un ingeniero de ML en una empresa de hardware que lleva un modelo a una app móvil
Entrenar un clasificador y ejecutarlo en el dispositivo sin ida y vuelta por la red
Construye y entrena con Keras 3 sobre TensorFlow y luego convierte a TensorFlow Lite / LiteRT para la inferencia en el dispositivo. Framework gratuito; el coste es el cómputo de entrenamiento y la ingeniería para cuantizar y validar el modelo en el dispositivo.
Un equipo de datos con una base de código en TensorFlow y pipelines entrenados
Seguir manteniendo y reentrenando modelos de producción sin reescribirlos
Quédate en TensorFlow y Keras por continuidad; las API estables y las herramientas de despliegue son la razón para no portar a PyTorch salvo que una necesidad concreta lo obligue.
Una desarrolladora que elige framework para un nuevo proyecto de deep learning
Decidir entre TensorFlow y PyTorch antes de comprometerse
Sopesa los puntos fuertes de TensorFlow en despliegue y edge frente al dominio de PyTorch en investigación y herramientas para LLM; Keras 3 te permite aplazar la elección del backend, pero la mayoría de los ecosistemas nuevos apuntan primero a PyTorch.
Antes de decidirte
- Puesta en marcha
- pip install tensorflow en Python; las vías de CPU, GPU (CUDA) y Docker están documentadas, y la de GPU necesita versiones compatibles de CUDA y cuDNN. Un primer modelo se entrena en minutos en CPU con pocos datos; para cualquier cosa grande hace falta GPU.
- Integraciones
- API de alto nivel Keras 3; pipelines tf.data; TensorFlow Lite / LiteRT para móvil y edge; TensorFlow.js para el navegador; TensorBoard para monitorización; SavedModel y TF Serving para el despliegue.
- Datos y privacidad
- Se ejecuta en tu propio hardware o nube; el framework no envía nada al exterior. Licencia Apache-2.0 sin restricciones comerciales. Los avisos de seguridad se publican en el repositorio y se corrigen en versiones menores.
- Coste a escala
- Sin coste de licencia; el coste es el cómputo de entrenamiento y servicio, que crece con el tamaño del modelo y el volumen de datos (horas de GPU o TPU para entrenar, instancias para TF Serving). La inferencia en el dispositivo con LiteRT traslada el coste de los servidores al dispositivo del usuario final.
- Límites
- Curva de aprendizaje pronunciada; los problemas de compatibilidad de versiones y CUDA son habituales; miles de incidencias abiertas; menos bibliotecas nuevas de LLM y pesos preentrenados se dirigen primero a TensorFlow que a PyTorch.
Lo bueno
- Pipeline completo desde los datos hasta el entrenamiento y el despliegue
- Buena oferta para móvil y edge con TensorFlow Lite / LiteRT
- API de alto nivel Keras 3, con backend intercambiable entre TF, PyTorch y JAX
- Maduro, bien documentado y respaldado por Google
Lo malo
- PyTorch es ahora la opción por defecto para investigación y LLM
- Curva de aprendizaje pronunciada e instalaciones de GPU/CUDA delicadas
- Miles de incidencias abiertas
- Menos código de modelos nuevos y menos pesos se dirigen primero a él
Ideal para
Equipos que crean o entrenan modelos propios, sobre todo para servirlos en producción o para inferencia en el dispositivo, en lugar de consumir una API alojada.
Alternativas a TensorFlow
TensorFlow: preguntas frecuentes
- ¿Merece la pena TensorFlow?
- TensorFlow sigue siendo un framework de ML completo y apto para producción, pero para trabajo nuevo con LLM e investigación la mayoría recurre ahora primero a PyTorch. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta TensorFlow?
- Gratuito y de código abierto (Apache 2.0). Solo pagas el cómputo en el que entrenas y sirves.
- ¿Qué inconvenientes tiene TensorFlow?
- PyTorch es ahora la opción por defecto para investigación y LLM; curva de aprendizaje pronunciada e instalaciones de GPU/CUDA delicadas; miles de incidencias abiertas; menos código de modelos nuevos y menos pesos se dirigen primero a él.
- ¿Para quién es TensorFlow?
- Equipos que crean o entrenan modelos propios, sobre todo para servirlos en producción o para inferencia en el dispositivo, en lugar de consumir una API alojada.
- ¿Cuánto cuesta TensorFlow para un equipo o en producción?
- Sin coste de licencia; el coste es el cómputo de entrenamiento y servicio, que crece con el tamaño del modelo y el volumen de datos (horas de GPU o TPU para entrenar, instancias para TF Serving). La inferencia en el dispositivo con LiteRT traslada el coste de los servidores al dispositivo del usuario final.
- ¿Es TensorFlow seguro para los datos de la empresa?
- Se ejecuta en tu propio hardware o nube; el framework no envía nada al exterior. Licencia Apache-2.0 sin restricciones comerciales. Los avisos de seguridad se publican en el repositorio y se corrigen en versiones menores.
- ¿Cuáles son las mejores alternativas a TensorFlow?
- Las alternativas más cercanas que hemos analizado son PyTorch, MLX y Hugging Face Transformers.
Respuestas comprobadas el 30 oct 2026.