Open Neural Network Exchange (ONNX) on avoin tiedostomuoto koneoppimismalleille. Microsoft ja Facebook (nykyinen Meta) esittelivät sen vuonna 2017, ja sitä isännöi nykyään LF AI & Data Foundation. Esimerkiksi PyTorchilla opetetun mallin voi viedä ONNX-muotoon ja ajaa muilla työkaluilla tai ajoympäristöillä, kuten ONNX Runtimella. Tämä helpottaa siirtymistä kehyksestä toiseen ja käyttöönottoa eri laitteistoilla.
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.
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.
Scikit-learn on avoimen lähdekoodin Python-kirjasto klassiseen koneoppimiseen. Se tarjoaa yhtenäiset työkalut luokitteluun, regressioon, klusterointiin, ulottuvuuksien vähentämiseen, datan esikäsittelyyn ja mallien arviointiin, kuten ristiinvalidointiin. NumPyn ja SciPyn varaan rakennettuna sitä käytetään laajasti opetuksessa, tutkimuksessa ja käytännössä yksinkertaisen, yhtenäisen rajapintansa ansiosta. Syviin neuroverkkoihin valitaan yleensä sen sijaan kehyksiä, kuten PyTorch tai TensorFlow.
