fastai is een open-source Python-bibliotheek voor deep learning, gebouwd op PyTorch. Ze bundelt beproefde standaardinstellingen, zodat modellen voor beelden, tekst of tabeldata met een paar regels code kunnen worden getraind, terwijl op elk niveau diepgaande aanpassing mogelijk blijft. Ze is voortgekomen uit het leerinitiatief fast.ai en begeleidt de gratis cursussen daarvan, waardoor ze populair is in het onderwijs en om snel modellen uit te proberen.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenPyTorch is een open-sourceframework voor machine learning en deep learning in de programmeertaal Python. Het is oorspronkelijk ontwikkeld bij Meta (toen nog Facebook) en wordt sinds 2022 beheerd door de PyTorch Foundation onder de paraplu van de Linux Foundation. PyTorch wordt veel gebruikt in onderzoek en bedrijfsleven, omdat ontwikkelaars er flexibel modellen mee kunnen bouwen, op GPU’s kunnen trainen en stap voor stap kunnen testen; veel bekende taal- en beeldmodellen zijn ermee gebouwd.
Deep learning is een tak van machine learning die kunstmatige neurale netwerken met veel lagen gebruikt. Zulke netwerken leren uit grote hoeveelheden data welke kenmerken van belang zijn – van randen in beelden tot betekenisrelaties in teksten. Deep learning vormt de basis van de huidige taalmodellen, beeld- en spraakherkenning en machinevertaling en vergt doorgaans veel rekenkracht en trainingsdata.
Bij transfer learning dient een model dat al een grote algemene taak heeft geleerd als uitgangspunt voor een nieuw, gespecialiseerd model. In plaats van helemaal opnieuw te beginnen, wordt het aangepast, bijvoorbeeld door finetuning, met relatief weinig eigen gegevens. Dat bespaart rekentijd en gegevens, bijvoorbeeld wanneer een algemeen beeldmodel productiefouten op foto’s moet leren herkennen.
Keras is een open-source Python-bibliotheek voor het bouwen en trainen van neurale netwerken, oorspronkelijk ontwikkeld door François Chollet. Ze biedt een toegankelijke interface op hoog niveau om modellen uit lagen samen te stellen. Sinds versie 3 kan Keras draaien op JAX, TensorFlow of PyTorch als rekenbackend. Voorbeeld: een team bouwt met slechts enkele regels code een prototype van een beeldclassificatiemodel.
