Keras е библиотека с отворен код на Python за изграждане и обучение на невронни мрежи, първоначално разработена от François Chollet. Тя предлага достъпен интерфейс на високо ниво за сглобяване на модели от слоеве. От версия 3 Keras може да работи с JAX, TensorFlow или PyTorch като изчислителна основа. Пример: екип изгражда прототип на модел за класификация на изображения само с няколко реда код.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоTensorFlow е фреймуърк за машинно обучение с отворен код, разработен от Google и пуснат през 2015 г. Използва се за изграждане, обучение и внедряване на невронни мрежи в приложения, на сървъри или на мобилни устройства. Keras предоставя достъпен интерфейс на високо ниво; типични приложения са класификация на изображения, прогнозиране и препоръчващи системи.
PyTorch е фреймуърк с отворен код за машинно обучение и дълбоко обучение на програмния език Python. Първоначално е разработен в Meta (тогава Facebook), а от 2022 г. се поддържа от PyTorch Foundation под егидата на Linux Foundation. PyTorch се използва широко в научните изследвания и в индустрията, защото позволява на разработчиците да изграждат моделите гъвкаво, да ги обучават на графични процесори и да ги тестват стъпка по стъпка; с него са изградени много известни езикови и графични модели.
Дълбокото обучение е дял от машинното обучение, който използва изкуствени невронни мрежи с много слоеве. Такива мрежи се учат от големи количества данни кои характеристики са важни – от ръбове в изображенията до смислови връзки в текстовете. Дълбокото обучение е в основата на съвременните езикови модели, на разпознаването на образи и реч и на машинния превод и обикновено изисква значителна изчислителна мощност и много обучителни данни.
Изкуствените невронни мрежи (artificial neural networks, ANN) са изчислителни модели, съставени от много свързани единици („неврони“), разположени на слоеве, които обработват входните данни чрез претеглени връзки. По време на обучението теглата се коригират стъпка по стъпка с помощта на примери, обикновено чрез обратно разпространение на грешката. ANN са основата на дълбокото обучение и задвижват разпознаването на образи, разпознаването на реч и големите езикови модели. Въпреки биологичното вдъхновение те работят много по-просто от човешкия мозък.
