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.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenTensorFlow is een open-source machinelearningframework, ontwikkeld door Google en uitgebracht in 2015. Het wordt gebruikt om neurale netwerken te bouwen, te trainen en uit te rollen in toepassingen, op servers of op mobiele apparaten. Keras biedt een toegankelijke interface op hoog niveau; typische toepassingen zijn beeldclassificatie, voorspellingen en aanbevelingssystemen.
PyTorch 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.
Kunstmatige neurale netwerken (ANN’s) zijn rekenmodellen die bestaan uit veel verbonden eenheden (“neuronen”) die in lagen zijn geordend en invoer verwerken via gewogen verbindingen. Tijdens het trainen worden de gewichten stap voor stap aangepast aan de hand van voorbeelden, meestal via backpropagation. ANN’s vormen de basis van deep learning en drijven beeldherkenning, spraakherkenning en grote taalmodellen aan. Ondanks hun biologische inspiratie werken ze veel eenvoudiger dan het menselijk brein.
