Open Neural Network Exchange (ONNX) е отворен файлов формат за модели за машинно обучение, представен през 2017 г. от Microsoft и Facebook (днес Meta) и понастоящем поддържан от LF AI & Data Foundation. Модел, обучен например в PyTorch, може да се експортира в ONNX и да се изпълнява с други инструменти или среди за изпълнение, като ONNX Runtime. Това улеснява прехода между фреймуърци и внедряването на различен хардуер.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоPyTorch 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.
TensorFlow 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.
Apache MXNet беше фреймуърк за дълбоко обучение с отворен код, който можеше да обучава модели ефективно на няколко графични процесора и машини, с интерфейси за Python, C++, R, Scala и други езици. Amazon Web Services го подкрепяше като предпочитан фреймуърк в продължение на няколко години. Apache Software Foundation прекрати проекта през септември 2023 г. и до февруари 2024 г. го премести в Apache Attic; той вече не се развива. Съществуващите модели обикновено се мигрират към други фреймуърци.
Scikit-learn е библиотека за Python с отворен код за класическо машинно обучение. Тя предоставя последователни инструменти за класификация, регресия, клъстеризация, намаляване на размерността, предварителна обработка на данни и оценка на модели, например кръстосана валидация. Изградена върху NumPy и SciPy, тя се използва широко в обучението, научните изследвания и практиката благодарение на простия си и единен интерфейс. За дълбоки невронни мрежи обикновено се избират фреймуърци като PyTorch или TensorFlow.
