Keras è una libreria Python open source per costruire e addestrare reti neurali, sviluppata originariamente da François Chollet. Offre un'interfaccia di alto livello, semplice da usare, con cui comporre modelli a partire da strati. Dalla versione 3 Keras può funzionare con JAX, TensorFlow o PyTorch come motore di calcolo. Esempio: un team realizza in poche righe un prototipo di modello per classificare immagini.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoTensorFlow è un framework open source per l'apprendimento automatico sviluppato da Google e pubblicato nel 2015. Serve a costruire, addestrare e mettere in produzione reti neurali in applicazioni, su server o su dispositivi mobili. Con Keras offre un'interfaccia di alto livello facile da usare; impieghi tipici sono la classificazione di immagini, le previsioni e i sistemi di raccomandazione.
PyTorch è un framework open source per l'apprendimento automatico e il deep learning nel linguaggio Python. È nato in Meta (allora Facebook) e dal 2022 è gestito dalla PyTorch Foundation, nell'ambito della Linux Foundation. È molto diffuso nella ricerca e nell'industria perché permette di costruire modelli in modo flessibile, addestrarli su GPU e testarli passo dopo passo; molti noti modelli linguistici e di immagini sono sviluppati con PyTorch.
Il deep learning (apprendimento profondo) è un ramo del machine learning che utilizza reti neurali artificiali con molti strati. Queste reti imparano da grandi quantità di dati quali caratteristiche sono rilevanti, dai bordi nelle immagini ai legami di significato nei testi. Il deep learning è alla base degli attuali modelli linguistici, del riconoscimento di immagini e voce e della traduzione automatica, e di solito richiede molta potenza di calcolo e molti dati di addestramento.
Le reti neurali artificiali (RNA) sono modelli di calcolo composti da molte unità collegate («neuroni»), disposte in strati, che elaborano gli input tramite connessioni pesate. Durante l'addestramento i pesi vengono regolati passo dopo passo sulla base di esempi, di solito con la backpropagation. Le RNA sono alla base del deep learning e si trovano nel riconoscimento di immagini e del parlato e nei grandi modelli linguistici. Nonostante l'ispirazione biologica, funzionano in modo molto più semplice del cervello umano.
