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.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenTensorFlow ist ein von Google entwickeltes Open-Source-Framework für maschinelles Lernen, das 2015 veröffentlicht wurde. Es dient dazu, neuronale Netze zu bauen, zu trainieren und in Anwendungen, auf Servern oder mobilen Geräten einzusetzen. Mit Keras bietet es eine leicht zugängliche Programmierschnittstelle; typische Einsätze sind Bildklassifikation, Prognosen oder Empfehlungssysteme.
PyTorch 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.
Künstliche neuronale Netze (KNN) sind Rechenmodelle aus vielen verbundenen Einheiten („Neuronen“), die in Schichten angeordnet sind und Eingaben über gewichtete Verbindungen verarbeiten. Beim Training werden die Gewichte anhand von Beispielen schrittweise angepasst, meist per Backpropagation. KNN sind die Grundlage des Deep Learning und stecken in Bilderkennung, Spracherkennung und großen Sprachmodellen. Trotz des biologischen Vorbilds funktionieren sie deutlich einfacher als das menschliche Gehirn.
