fastai ir atvērtā pirmkoda Python bibliotēka dziļajai mācīšanai, kas izveidota uz PyTorch bāzes. Tā apvieno pārbaudītus noklusējuma iestatījumus, lai modeļus attēliem, tekstam vai tabulu datiem varētu apmācīt ar dažām koda rindām, tomēr atstājot iespēju dziļi pielāgot katrā līmenī. Tā izaugusi no mācību iniciatīvas fast.ai un papildina tās bezmaksas kursus, tāpēc ir populāra izglītībā un modeļu ātrai izmēģināšanai.
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.
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.
Pārneses mācīšanās gadījumā modelis, kas jau apguvis plašu vispārīgu uzdevumu, kalpo kā sākumpunkts jaunam, specializētam modelim. Tā vietā, lai sāktu no nulles, tas tiek pielāgots, piemēram, ar precizēšanu, izmantojot samērā nelielu savu datu apjomu. Tas ietaupa skaitļošanas laiku un datus, piemēram, ja vispārīgam attēlu modelim jāiemācās atrast ražošanas defektus fotogrāfijās.
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.
