A Chainer egy nyílt forráskódú mélytanulási keretrendszer Pythonhoz, amelyet a japán Preferred Networks vállalat fejlesztett. Ez tette népszerűvé a „define-by-run” megközelítést, amelyben a neurális hálózat a számítás futása közben épül fel, így könnyebb rugalmas modellszerkezetekkel kísérletezni. 2019 decembere óta a Chainert csak karbantartják, nem fejlesztik tovább; a Preferred Networks áttért a PyTorchra, amely ugyanezt az elvet követi.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA PyTorch egy nyílt forráskódú keretrendszer gépi tanuláshoz és mélytanuláshoz a Python programozási nyelvben. Eredetileg a Metánál (akkor még Facebook) fejlesztették, 2022 óta pedig a Linux Foundation égisze alatt működő PyTorch Foundation gondozza. A PyTorchot széles körben használják a kutatásban és az iparban, mert rugalmasan építhetők vele modellek, taníthatók GPU-kon, és lépésről lépésre tesztelhetők; számos ismert nyelvi és képi modell készült vele.
A TensorFlow a Google által fejlesztett és 2015-ben kiadott nyílt forráskódú gépi tanulási keretrendszer. Neurális hálózatok építésére, tanítására és üzembe helyezésére használják alkalmazásokban, szervereken vagy mobileszközökön. A Keras könnyen használható magas szintű felületet biztosít; tipikus felhasználási területei a képosztályozás, az előrejelzés és az ajánlórendszerek.
A mélytanulás a gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókat használ. Az ilyen hálók nagy adatmennyiségből tanulják meg, mely jellemzők számítanak – a képek éleitől a szövegek jelentésbeli összefüggéseiig. A mélytanulás áll a mai nyelvi modellek, a kép- és beszédfelismerés, valamint a gépi fordítás mögött, és általában jelentős számítási teljesítményt és tanítóadatot igényel.
Az Apache MXNet egy nyílt forráskódú mélytanulási keretrendszer volt, amely hatékonyan tudott modelleket tanítani több GPU-n és gépen, Python, C++, R, Scala és más nyelvek felületeivel. Az Amazon Web Services néhány évig előnyben részesített keretrendszerként támogatta. Az Apache Software Foundation 2023 szeptemberében megszüntette a projektet, és 2024 februárjára áthelyezte az Apache Atticba; többé nem fejlesztik. A meglévő modelleket általában más keretrendszerekre telepítik át.
