fastai ist eine quelloffene Python-Bibliothek für Deep Learning, die auf PyTorch aufbaut. Sie bündelt bewährte Voreinstellungen, sodass sich Modelle für Bilder, Texte oder Tabellendaten mit wenigen Zeilen Code trainieren lassen, erlaubt aber auch tiefe Eingriffe in jede Ebene. Entstanden ist sie im Umfeld der Lernplattform fast.ai, deren kostenlose Kurse sie begleitet – daher ist sie in Ausbildung und beim schnellen Erproben von Modellen verbreitet.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenPyTorch ist ein quelloffenes Framework für maschinelles Lernen und Deep Learning in der Programmiersprache Python. Es wurde ursprünglich bei Meta (damals Facebook) entwickelt und wird seit 2022 von der PyTorch Foundation unter dem Dach der Linux Foundation betreut. PyTorch ist in Forschung und Industrie weit verbreitet, weil sich Modelle damit flexibel bauen, auf Grafikkarten trainieren und schrittweise testen lassen; viele bekannte Sprach- und Bildmodelle entstehen damit.
Deep Learning ist ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netze mit vielen Schichten nutzt. Solche Netze lernen aus großen Datenmengen selbstständig, welche Merkmale wichtig sind – von Kanten in Bildern bis zu Bedeutungszusammenhängen in Texten. Deep Learning bildet die Grundlage heutiger Sprachmodelle, der Bild- und Spracherkennung sowie der maschinellen Übersetzung und benötigt meist viel Rechenleistung und Trainingsdaten.
Beim Transfer Learning (Transferlernen) wird ein Modell, das bereits an einer großen allgemeinen Aufgabe gelernt hat, als Ausgangspunkt für eine neue, spezielle Aufgabe genutzt. Statt bei null zu beginnen, wird es etwa per Feinabstimmung mit vergleichsweise wenigen eigenen Daten angepasst. Das spart Rechenzeit und Daten – zum Beispiel, wenn ein allgemeines Bildmodell lernen soll, Produktionsfehler auf Fotos zu erkennen.
Keras ist eine quelloffene Python-Bibliothek zum Aufbau und Training neuronaler Netze, ursprünglich von François Chollet entwickelt. Sie bietet eine leicht verständliche, hochstufige Schnittstelle, mit der sich Modelle aus Schichten zusammensetzen lassen. Seit Version 3 kann Keras wahlweise mit JAX, TensorFlow oder PyTorch als Rechengrundlage arbeiten. Beispiel: Ein Team baut in wenigen Zeilen ein Bildklassifikationsmodell als Prototyp.
