Keras est une bibliothèque Python open source pour concevoir et entraîner des réseaux de neurones, développée à l'origine par François Chollet. Elle offre une interface de haut niveau, facile à prendre en main, pour assembler des modèles couche par couche. Depuis la version 3, Keras peut fonctionner au choix avec JAX, TensorFlow ou PyTorch comme moteur de calcul. Exemple : une équipe crée en quelques lignes un prototype de modèle de classification d'images.
Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.
Lancer la démoTensorFlow est un framework open source d'apprentissage automatique développé par Google et publié en 2015. Il permet de concevoir, d'entraîner et de déployer des réseaux de neurones dans des applications, sur des serveurs ou des appareils mobiles. Keras en constitue l'interface de haut niveau accessible ; les usages typiques vont de la classification d'images aux prévisions et aux systèmes de recommandation.
PyTorch est un framework open source d'apprentissage automatique et d'apprentissage profond pour le langage Python. Développé à l'origine chez Meta (alors Facebook), il est géré depuis 2022 par la PyTorch Foundation, rattachée à la Linux Foundation. PyTorch est très répandu dans la recherche et l'industrie, car il permet de construire des modèles de façon flexible, de les entraîner sur GPU et de les tester pas à pas ; de nombreux modèles de langage et d'image connus sont conçus avec lui.
L'apprentissage profond (deep learning) est une branche de l'apprentissage automatique qui utilise des réseaux de neurones artificiels à nombreuses couches. Ces réseaux apprennent eux-mêmes, à partir de grandes quantités de données, quelles caractéristiques comptent – des contours dans les images aux liens de sens dans les textes. Il est à la base des modèles de langage actuels, de la reconnaissance d'images et de la parole ainsi que de la traduction automatique, et exige généralement beaucoup de puissance de calcul et de données.
Les réseaux de neurones artificiels (RNA) sont des modèles de calcul composés de nombreuses unités connectées (« neurones »), organisées en couches, qui traitent les entrées via des connexions pondérées. Pendant l'entraînement, les poids sont ajustés progressivement à partir d'exemples, le plus souvent par rétropropagation. Les RNA sont à la base de l'apprentissage profond et se retrouvent dans la reconnaissance d'images et de la parole ainsi que dans les grands modèles de langage. Malgré leur inspiration biologique, ils fonctionnent bien plus simplement que le cerveau humain.
