fastai er et open source-bibliotek i Python til deep learning, bygget oven på PyTorch. Det samler gennemprøvede standardindstillinger, så modeller til billeder, tekst eller tabeldata kan trænes med få linjer kode, samtidig med at det tillader omfattende tilpasning på alle niveauer. Det voksede ud af læringsinitiativet fast.ai og følger dets gratis kurser, og derfor er det populært i undervisning og til hurtigt at afprøve modeller.
PyTorch er et open source framework til machine learning og deep learning i programmeringssproget Python. Det blev oprindeligt udviklet hos Meta (dengang Facebook) og er siden 2022 blevet forvaltet af PyTorch Foundation under Linux Foundation. PyTorch er udbredt i forskning og industri, fordi udviklere fleksibelt kan bygge modeller, træne dem på GPU'er og teste dem trin for trin; mange kendte sprog- og billedmodeller er bygget med det.
Deep learning er en gren af maskinlæring, der bruger kunstige neurale netværk med mange lag. Sådanne netværk lærer ud fra store datamængder, hvilke træk der er vigtige – fra kanter i billeder til betydningsrelationer i tekster. Deep learning ligger til grund for nutidens sprogmodeller, billed- og talegenkendelse og maskinoversættelse og kræver som regel betydelig regnekraft og mange træningsdata.
Ved transfer learning bruges en model, der allerede har lært en stor generel opgave, som udgangspunkt for en ny, specialiseret opgave. I stedet for at starte fra bunden tilpasses den, f.eks. gennem fine-tuning, med forholdsvis få egne data. Det sparer beregningstid og data, f.eks. når en generel billedmodel skal lære at opdage produktionsfejl på fotos.
Keras er et open source-bibliotek i Python til at bygge og træne neurale netværk, oprindelig udviklet af François Chollet. Det tilbyder en lettilgængelig grænseflade på højt niveau til at sammensætte modeller af lag. Siden version 3 kan Keras køre på JAX, TensorFlow eller PyTorch som beregningsbackend. Eksempel: Et team bygger en prototype på en model til billedklassifikation med blot nogle få linjer kode.
