PyTorch 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.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoTensorFlow 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.
Keras on avoimen lähdekoodin Python-kirjasto neuroverkkojen rakentamiseen ja kouluttamiseen, jonka alun perin kehitti François Chollet. Se tarjoaa helppokäyttöisen, korkean tason rajapinnan mallien kokoamiseen kerroksista. Versiosta 3 alkaen Keras voi toimia JAX:n, TensorFlow’n tai PyTorchin päällä laskennan taustajärjestelmänä. Esimerkki: tiimi rakentaa kuvaluokittelumallin prototyypin vain muutamalla koodirivillä.
Torch on avoimen lähdekoodin koneoppimiskehys, joka perustuu Lua-skriptikieleen; sen Torch7-versiota käytettiin laajasti tutkimuksessa ja teollisuudessa 2010-luvulla. Sitä pidetään PyTorchin edeltäjänä, joka omaksui Torchin ideoita ja osia sen C-kirjastoista mutta käyttää Pythonia. Virallisen repositorion mukaan Torchia ei enää kehitetä aktiivisesti, ja sillä on nykyään vain vähän merkitystä uusissa hankkeissa.
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.
