Qu’est-ce que TensorFlow ? La bibliothèque de machine learning de Google expliquée

TensorFlow est une bibliothèque open source de machine learning (apprentissage automatique) créée par l’équipe Google Brain et publiée en novembre 2015 sous licence Apache 2.0. Elle sert à construire, entraîner et déployer des modèles, en particulier des réseaux de neurones, qui reconnaissent des images, traitent du texte ou font des prédictions. On l’utilise surtout en Python, via l’interface Keras, et ses modèles peuvent tourner sur serveur, dans le navigateur ou sur mobile. En 2026, elle reste très présente en production, mais PyTorch et JAX lui font une forte concurrence.

On explique ici ce qu’est TensorFlow, comment il fonctionne, son écosystème, ses avantages et limites, ce qui a changé ces dernières années, et comment il se compare à ses concurrents.

• Qu’est-ce que TensorFlow ?
• Comment fonctionne TensorFlow ?
• À quoi sert TensorFlow concrètement ?
• Quels sont les outils de l’écosystème TensorFlow ?
• Qu’est-ce qui a changé dans TensorFlow depuis ses débuts ?
• Quels sont les avantages et les limites de TensorFlow ?
• TensorFlow ou PyTorch : quels sont les concurrents ?
• Faut-il utiliser TensorFlow dans un projet d’entreprise ?
• Questions fréquentes
• Sources

Qu’est-ce que TensorFlow ?

TensorFlow est un framework de calcul numérique et d’apprentissage automatique. Il fournit les briques nécessaires pour créer un modèle de machine learning : préparer les données, définir l’architecture d’un réseau de neurones, l’entraîner sur des exemples, mesurer ses performances puis l’utiliser pour faire des prédictions.

Il a été développé chez Google par l’équipe Google Brain, qui utilisait auparavant un système interne, DistBelief, lancé en 2011. Google l’a publié en open source le 9 novembre 2015. Son dépôt GitHub dépasse aujourd’hui les 200 000 étoiles, ce qui en fait l’un des projets d’intelligence artificielle les plus suivis. Le nom vient de son fonctionnement : des tenseurs (des tableaux de données à plusieurs dimensions) qui « circulent » (flow) à travers une suite d’opérations.

Si les notions de machine learning et de réseau de neurones vous sont nouvelles, notre article sur l’intelligence artificielle en 2026 pose les bases.

Comment fonctionne TensorFlow ?

Trois idées suffisent à comprendre son principe.

1. Les tenseurs. Toutes les données sont représentées sous forme de tableaux multidimensionnels : un nombre, une liste, une image (hauteur × largeur × couleurs), un lot d’images, etc.
2. Les opérations. Un modèle est une suite d’opérations mathématiques appliquées à ces tenseurs (multiplications de matrices, fonctions d’activation…). TensorFlow sait calculer automatiquement les dérivées de ces opérations, ce qui permet d’ajuster les paramètres du modèle pendant l’entraînement.
3. Le graphe de calcul. Ces opérations peuvent être compilées en un graphe, où chaque nœud est une opération et chaque arête un tenseur. Le graphe peut être optimisé, réparti sur plusieurs processeurs ou exporté pour tourner ailleurs.

Le développeur écrit du Python, mais les calculs lourds ne sont pas exécutés en Python : ils sont réalisés par un moteur écrit en C++, optimisé pour les processeurs classiques (CPU), les cartes graphiques (GPU) et les TPU, les puces conçues par Google pour le machine learning et annoncées en mai 2016. Python sert de langage de pilotage, ce qui explique en partie son succès dans l’IA, comme on l’explique dans notre article sur Python et l’intelligence artificielle.

Depuis TensorFlow 2, on écrit presque toujours ses modèles avec Keras, l’interface de haut niveau. Un petit réseau de classification tient en quelques lignes :

import keras

modele = keras.Sequential([
    keras.Input(shape=(28, 28)),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation="relu"),
    keras.layers.Dense(10, activation="softmax"),
])
modele.compile(optimizer="adam",
               loss="sparse_categorical_crossentropy",
               metrics=["accuracy"])
# modele.fit(images, etiquettes, epochs=5)

Ce modèle prend une image de 28 × 28 pixels (par exemple un chiffre manuscrit) et prédit à quel chiffre, parmi 10, elle correspond.

À quoi sert TensorFlow concrètement ?

• Vision par ordinateur : classification d’images, détection d’objets, reconnaissance de caractères, contrôle qualité sur une chaîne de production.
• Traitement du langage : classement de messages, analyse de sentiment, traduction, extraction d’informations dans des documents.
• Prédiction sur données tabulaires : prévision de ventes, détection de fraude, estimation de risque.
• Recommandation : suggestion de produits ou de contenus.
• Son et séries temporelles : reconnaissance vocale, analyse de capteurs.

Parmi les utilisateurs cités publiquement figurent Google lui-même, GE Healthcare pour l’accélération d’examens IRM, ou encore Twitter pour le classement des tweets. Pour d’autres exemples d’usages en entreprise, voyez notre article sur le rôle du machine learning dans le développement logiciel.

Quels sont les outils de l’écosystème TensorFlow ?

TensorFlow.js intéresse particulièrement les projets web, puisqu’il permet de faire tourner un modèle directement côté client. Notre article sur les bibliothèques JavaScript de machine learning le compare aux autres options.

Qu’est-ce qui a changé dans TensorFlow depuis ses débuts ?

• TensorFlow 2.0 (septembre 2019) : refonte majeure. L’exécution immédiate (eager execution) devient le mode par défaut, ce qui rend le code plus simple à écrire et à déboguer, et Keras devient l’interface recommandée. Le code écrit pour TensorFlow 1 a souvent dû être réécrit.
• TensorFlow 2.11 : TensorFlow 2.10 a été la dernière version à prendre en charge le GPU sous Windows natif. Depuis, il faut passer par WSL2 (le sous-système Linux de Windows) pour utiliser une carte graphique. Sur macOS, la documentation officielle n’offre pas de prise en charge GPU.
• TensorFlow 2.16 : Keras 3 devient la version par défaut et l’ancienne API tf.estimator est supprimée. Keras 3 est multi-moteurs : le même code peut tourner sur JAX, TensorFlow ou PyTorch (et OpenVINO pour l’inférence seule).
• Septembre 2024 : TensorFlow Lite est renommé LiteRT, et accepte aussi des modèles écrits avec PyTorch, JAX ou Keras. Les notes de version annoncent que tf.lite sera retiré du paquet Python de TensorFlow ; il faut migrer vers LiteRT.
• TensorFlow 2.21 (mars 2026), dernière version publiée à ce jour : fin de la prise en charge de Python 3.9, et TensorBoard n’est plus installé automatiquement.

Quels sont les avantages et les limites de TensorFlow ?

Les avantages :

• L’abstraction : avec Keras, on se concentre sur la logique du modèle, TensorFlow gère le calcul des dérivées, la répartition sur le matériel et l’optimisation.
• Le déploiement : un même modèle peut être servi sur un serveur, exporté vers le navigateur avec TensorFlow.js ou vers le mobile avec LiteRT. C’est historiquement son point fort.
• La maturité : documentation abondante, nombreux tutoriels, large communauté et soutien de Google.
• Le débogage et le suivi : l’exécution immédiate permet d’inspecter chaque opération, et TensorBoard de suivre visuellement l’entraînement.

Les limites :

• Une place qui recule dans la recherche : la part de TensorFlow dans les publications scientifiques a baissé au profit de PyTorch, et beaucoup de modèles récents sont d’abord publiés pour PyTorch.
• Des changements fréquents : passage de la version 1 à la version 2, Keras 3, migration vers LiteRT. Un projet ancien demande un effort de mise à jour.
• Le support matériel : pas de GPU sous Windows natif depuis la version 2.11, ni de GPU officiellement pris en charge sur macOS.
• Le déterminisme : deux entraînements sur les mêmes données peuvent donner des résultats légèrement différents (initialisation aléatoire, certaines opérations sur GPU). Il faut le configurer explicitement si la reproductibilité est importante.

TensorFlow ou PyTorch : quels sont les concurrents ?

Le paysage a beaucoup changé depuis 2021. Deux des concurrents souvent cités à l’époque ont disparu : le dépôt de Microsoft CNTK est archivé (dernière version 2.7 en avril 2019), comme celui d’Apache MXNet (dernière version 1.9.1 en mai 2022). Les vrais concurrents aujourd’hui sont les suivants.

Faut-il utiliser TensorFlow dans un projet d’entreprise ?

Pour une PME, la bonne question n’est souvent pas « quel framework ? » mais « faut-il entraîner un modèle ? ». Beaucoup de besoins courants (résumer des e-mails, classer des demandes, extraire des données de factures, répondre aux questions fréquentes) se traitent aujourd’hui en appelant un modèle existant par API, sans entraîner quoi que ce soit.

Entraîner votre propre modèle avec TensorFlow ou PyTorch se justifie quand vous disposez de données spécifiques en quantité suffisante, que le besoin est précis et répétitif (contrôle visuel, prévision sur vos historiques), ou que les données ne doivent pas quitter votre infrastructure. Dans ce cas, choisissez le framework en fonction de là où le modèle devra tourner et des compétences de l’équipe qui le maintiendra.

Si vous voulez intégrer de l’IA dans vos outils sans partir de zéro, c’est l’objet de notre offre d’intégration et d’automatisation. Pour un outil métier complet, voyez nos applications web sur mesure. Pour nous présenter votre projet, écrivez à contact@osmova.com ou passez par le formulaire de contact.

Questions fréquentes

TensorFlow est-il gratuit ?

Oui. C’est un logiciel open source sous licence Apache 2.0, utilisable gratuitement, y compris dans un projet commercial. Seules les ressources de calcul (serveurs, GPU dans le cloud) sont payantes si vous en louez.

Quelle est la différence entre TensorFlow et Keras ?

TensorFlow est le moteur de calcul complet ; Keras est l’interface de haut niveau qui sert à décrire et entraîner les modèles. Depuis Keras 3, Keras peut aussi s’appuyer sur JAX ou PyTorch à la place de TensorFlow.

Faut-il savoir programmer en Python pour utiliser TensorFlow ?

Pour l’essentiel, oui : Python est le langage principal. TensorFlow.js permet toutefois de travailler en JavaScript, dans le navigateur ou avec Node.js.

Peut-on utiliser TensorFlow sans carte graphique ?

Oui. Il fonctionne sur processeur classique, ce qui suffit pour apprendre, pour de petits modèles et pour faire des prédictions. Le GPU devient utile pour entraîner des modèles plus lourds.

TensorFlow est-il encore utilisé en 2026 ?

Oui : il reçoit toujours des mises à jour (version 2.21 en mars 2026) et reste répandu en production. Pour un nouveau projet, PyTorch est souvent préféré dans la recherche, et Keras 3 permet de ne pas trancher tout de suite.

Sources

• TensorFlow : présentation et écosystème
• TensorFlow : installation avec pip (Windows, WSL2, macOS)
• TensorFlow : notes de version (RELEASE.md)
• TensorFlow : versions publiées sur GitHub
• Keras 3 : documentation officielle
• Google for Developers : TensorFlow Lite devient LiteRT (4 septembre 2024)
• Wikipedia (en) : TensorFlow (historique, TPU, adoption)
• GitHub : Microsoft CNTK (dépôt archivé)
• GitHub : Apache MXNet (dépôt archivé)