TF, PyTorch, JAX — 2026년에 각자가 사는 자리

세 framework, 각자 제일 잘하는 일

Deep learning 판은 더 이상 winner-takes-all이 아니야. 2026년 기준, 세 개의 주요 시스템이 판을 나눠 가지고 있고, 각자 다른 둘이 힘들어하는 niche를 가지고 있어.

Framework	강점	약점
TensorFlow 2.x	Production 배포 (TF Serving, TFLite/LiteRT, TF.js, Vertex AI)	research paper 속도 PyTorch보다 느림
PyTorch	Research paper, HuggingFace ecosystem, dynamic graph	Production 배포 story가 더 어려
JAX	TPU 규모 training, functional transform (jit, grad, vmap, pmap)	배포하려면 jax2tf bridge 필요

HuggingFace에 올라온 LLM을 fine-tune하면 PyTorch에 있게 돼. on-device inference 필요한 폰 앱 만들면 TensorFlow (TFLite)야. Google 안에서 TPU pod로 Gemini급 model 훈련시키면 JAX. 대부분 production team은 둘 다 써 — ecosystem 친절한 데서 train하고, runtime 성숙한 데서 deploy.

Keras 3가 계산을 바꿔놨어. 2023년 말에 나온 Keras 3는 완전히 새로 짠 거고, TF/PyTorch/JAX 위에서 다 돌아가는 high-level API야. model 한 번만 짜고 os.environ["KERAS_BACKEND"]만 바꾸면 원하는 엔진으로 돌아가. 이 quest에서 익히는 스킬이 셋 다에 통하는 셈.

피파의 솔직한 권유: 부족 선택하지 마. backend 고르는 건 infra 결정이지 정체성 아니야. model이 model이라는 걸 아는 코드 — Dense, Conv2D, attention — 는 셋 다에서 똑같아야 해.

Code

Keras 3 — same model, three backends·python

import os
# KERAS_BACKEND must be set BEFORE importing keras. Hard rule.
os.environ["KERAS_BACKEND"] = "jax"   # or "tensorflow", "torch"

import keras
from keras import layers, ops

model = keras.Sequential([
    keras.Input(shape=(784,)),
    layers.Dense(128, activation='relu'),
    layers.Dense(10),
])

# Use keras.ops, NOT tf.* / jnp.* / torch.*, for backend-agnostic math.
x = ops.array([[1.0] * 784])
y = ops.softmax(model(x))
print(y.shape)  # (1, 10) on every backend

TF, PyTorch, JAX — 2026년에 각자가 사는 자리

세 framework, 각자 제일 잘하는 일

Code

External links

Exercise

Progress

댓글 0