Apache MXNet byl open-source framework pro hluboké učení, který dokázal efektivně trénovat modely na více GPU a počítačích a nabízel rozhraní pro Python, C++, R, Scalu a další jazyky. Amazon Web Services jej několik let podporoval jako svůj preferovaný framework. Apache Software Foundation projekt v září 2023 ukončila a do února 2024 jej přesunula do Apache Attic; už se dále nevyvíjí. Existující modely se obvykle přesouvají do jiných frameworků.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoBMXNet je open-source knihovna pro binární neuronové sítě, kterou v roce 2017 vydal Institut Hasso Plattnera v Postupimi a která je postavena na frameworku Apache MXNet. Binární sítě ukládají váhy a aktivace jedním bitem místo 32, takže modely jsou mnohem menší a rychlejší – což je atraktivní pro chytré telefony a vestavěná zařízení, obvykle však za cenu určité ztráty přesnosti. Od ukončení projektu MXNet v roce 2023 je BMXNet zajímavý hlavně pro výzkum (stav k říjnu 2026).
PyTorch je open-source framework pro strojové a hluboké učení v programovacím jazyce Python. Původně jej vyvinula společnost Meta (tehdy Facebook) a od roku 2022 jej zaštiťuje PyTorch Foundation pod hlavičkou Linux Foundation. PyTorch je široce rozšířený ve výzkumu i průmyslu, protože vývojářům umožňuje flexibilně sestavovat modely, trénovat je na GPU a krok za krokem je testovat; je na něm postavena řada známých jazykových a obrazových modelů.
TensorFlow je open-source framework pro strojové učení, který vyvinul Google a vydal v roce 2015. Používá se k tvorbě, trénování a nasazení neuronových sítí v aplikacích, na serverech nebo na mobilních zařízeních. Keras nabízí přístupné vysokoúrovňové rozhraní; typické využití zahrnuje klasifikaci obrázků, předpovědi a doporučovací systémy.
Open Neural Network Exchange (ONNX) je otevřený souborový formát pro modely strojového učení, který v roce 2017 představily společnosti Microsoft a Facebook (dnes Meta) a který dnes spravuje LF AI & Data Foundation. Model natrénovaný například v PyTorch lze exportovat do ONNX a spouštět jej v jiných nástrojích nebo běhových prostředích, například ONNX Runtime. Usnadňuje to přechod mezi frameworky i nasazení na různém hardwaru.
