DL4J (Eclipse Deeplearning4j) ir atvērtā pirmkoda bibliotēka dziļajai mācīšanai Java virtuālajā mašīnā (JVM). Tā ļauj neironu tīklus apmācīt un darbināt Java vai Scala valodā, tāpēc tā iekļaujas esošajās uzņēmumu sistēmās uz Java bāzes. Projektā ietilpst arī rīki modeļu importēšanai no citiem ietvariem. To uztur kā Eclipse Foundation projektu.
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.
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.
Keras ir atvērtā pirmkoda Python bibliotēka neironu tīklu veidošanai un apmācībai, ko sākotnēji izstrādāja François Chollet. Tā piedāvā viegli lietojamu augsta līmeņa saskarni modeļu salikšanai no slāņiem. Kopš 3. versijas Keras kā skaitļošanas aizmugursistēmu var darbināt uz JAX, TensorFlow vai PyTorch. Piemērs: komanda ar dažām koda rindām izveido attēlu klasifikācijas modeļa prototipu.
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.
