A 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.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA 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 Keras egy nyílt forráskódú Python-könyvtár neurális hálók építéséhez és tanításához, amelyet eredetileg François Chollet fejlesztett. Könnyen használható, magas szintű felületet kínál modellek rétegekből való összeállításához. A 3-as verzió óta a Keras a JAX, a TensorFlow vagy a PyTorch számítási háttérrendszeren is futhat. Példa: egy csapat néhány sornyi kóddal épít egy képosztályozó modell prototípusát.
A Torch a Lua szkriptnyelvre épülő nyílt forráskódú gépi tanulási keretrendszer; Torch7 verzióját a 2010-es években széles körben használták a kutatásban és az iparban. A PyTorch elődjének tekintik, amely átvette a Torch ötleteit és C-könyvtárainak egy részét, de Pythont használ. Hivatalos tárolója szerint a Torchot már nem fejlesztik aktívan, és ma már kevéssé releváns új projektek számára.
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.
