Chainer ir atvērtā pirmkoda dziļās mācīšanās ietvars Python valodai, ko izstrādāja Japānas uzņēmums Preferred Networks. Tas popularizēja pieeju „define-by-run”, kurā neironu tīkls tiek veidots aprēķina izpildes laikā, atvieglojot eksperimentēšanu ar elastīgām modeļu struktūrām. Kopš 2019. gada decembra Chainer tiek tikai uzturēts, nevis tālāk izstrādāts; Preferred Networks pārgāja uz PyTorch, kas seko tam pašam principam.
PyTorch ir atvērtā pirmkoda ietvars mašīnmācīšanās un dziļās mācīšanās uzdevumiem programmēšanas valodā Python. Sākotnēji to izstrādāja uzņēmumā Meta (tolaik Facebook), un kopš 2022. gada to pārrauga PyTorch Foundation Linux Foundation paspārnē. PyTorch ir plaši izmantots pētniecībā un nozarē, jo ļauj izstrādātājiem elastīgi veidot modeļus, apmācīt tos uz GPU un testēt soli pa solim; ar to veidoti daudzi pazīstami valodas un attēlu modeļi.
TensorFlow ir atvērtā pirmkoda mašīnmācīšanās ietvars, ko izstrādāja Google un izlaida 2015. gadā. To izmanto, lai veidotu, apmācītu un izvietotu neironu tīklus lietojumprogrammās, serveros vai mobilajās ierīcēs. Keras nodrošina viegli lietojamu augsta līmeņa saskarni; tipiski pielietojumi ir attēlu klasifikācija, prognozēšana un ieteikumu sistēmas.
Dziļā mācīšanās ir mašīnmācīšanās nozare, kas izmanto mākslīgos neironu tīklus ar daudziem slāņiem. Šādi tīkli no lieliem datu apjomiem paši apgūst, kuras pazīmes ir svarīgas — no attēlu malām līdz nozīmes sakariem tekstos. Dziļā mācīšanās ir mūsdienu valodas modeļu, attēlu un runas atpazīšanas un mašīntulkošanas pamatā, un tai parasti nepieciešama ievērojama skaitļošanas jauda un daudz apmācības datu.
Apache MXNet bija atvērtā pirmkoda dziļās mācīšanās ietvars, kas varēja efektīvi apmācīt modeļus vairākos GPU un datoros, ar saskarnēm Python, C++, R, Scala un citām valodām. Amazon Web Services vairākus gadus to atbalstīja kā savu vēlamo ietvaru. Apache Software Foundation projektu slēdza 2023. gada septembrī un līdz 2024. gada februārim pārvietoja uz Apache Attic; tas vairs netiek attīstīts. Esošos modeļus parasti pārnes uz citiem ietvariem.
