Chainer on avoimen lähdekoodin syväoppimiskehys Pythonille, ja sen on kehittänyt japanilainen Preferred Networks. Se teki tunnetuksi ”define-by-run”-lähestymistavan, jossa neuroverkko rakennetaan laskennan aikana, mikä helpottaa joustavien mallirakenteiden kokeilua. Joulukuusta 2019 lähtien Chaineria on vain ylläpidetty eikä enää kehitetty; Preferred Networks siirtyi PyTorchiin, joka noudattaa samaa periaatetta.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoPyTorch on avoimen lähdekoodin kehys koneoppimiseen ja syväoppimiseen Python-ohjelmointikielellä. Se kehitettiin alun perin Metalla (silloin Facebook), ja vuodesta 2022 sitä on ylläpitänyt PyTorch Foundation Linux Foundationin alaisuudessa. PyTorchia käytetään laajasti tutkimuksessa ja teollisuudessa, koska sen avulla kehittäjät voivat rakentaa malleja joustavasti, opettaa niitä GPU:illa ja testata niitä vaihe vaiheelta; monet tunnetut kieli- ja kuvamallit on rakennettu sillä.
TensorFlow on Googlen kehittämä ja vuonna 2015 julkaistu avoimen lähdekoodin koneoppimiskehys. Sillä rakennetaan, opetetaan ja otetaan käyttöön neuroverkkoja sovelluksissa, palvelimilla tai mobiililaitteilla. Keras tarjoaa helppokäyttöisen korkean tason rajapinnan; tyypillisiä käyttökohteita ovat kuvien luokittelu, ennustaminen ja suosittelujärjestelmät.
Syväoppiminen on koneoppimisen haara, joka käyttää tekoälyn keinotekoisia neuroverkkoja, joissa on monta kerrosta. Tällaiset verkot oppivat suurista datamääristä, mitkä piirteet ovat tärkeitä – kuvien reunoista tekstien merkityssuhteisiin. Syväoppiminen on nykyisten kielimallien, kuvan- ja puheentunnistuksen sekä konekäännöksen perusta, ja se vaatii yleensä paljon laskentatehoa ja koulutusdataa.
Apache MXNet oli avoimen lähdekoodin syväoppimiskehys, joka pystyi opettamaan malleja tehokkaasti usealla GPU:lla ja usealla koneella, ja siinä oli rajapinnat muun muassa Pythonille, C++:lle, R:lle ja Scalalle. Amazon Web Services tuki sitä useiden vuosien ajan ensisijaisena kehyksenään. Apache Software Foundation lopetti hankkeen syyskuussa 2023 ja siirsi sen Apache Atticiin helmikuuhun 2024 mennessä; sitä ei enää kehitetä. Olemassa olevat mallit siirretään yleensä muihin kehyksiin.
