fastai to otwartoźródłowa biblioteka Pythona do uczenia głębokiego zbudowana na PyTorch. Łączy sprawdzone ustawienia domyślne, tak aby modele dla obrazów, tekstu lub danych tabelarycznych można było trenować kilkoma linijkami kodu, a jednocześnie umożliwia głębokie dostosowanie na każdym poziomie. Wyrosła z inicjatywy edukacyjnej fast.ai i towarzyszy jej bezpłatnym kursom, dlatego jest popularna w edukacji i do szybkiego wypróbowywania modeli.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoPyTorch to otwartoźródłowy framework do uczenia maszynowego i głębokiego uczenia w języku programowania Python. Został pierwotnie opracowany w Meta (wówczas Facebook), a od 2022 roku opiekuje się nim PyTorch Foundation działająca pod parasolem Linux Foundation. PyTorch jest szeroko stosowany w badaniach i przemyśle, ponieważ pozwala programistom elastycznie budować modele, trenować je na procesorach graficznych i testować krok po kroku; wiele znanych modeli językowych i obrazowych powstało z jego użyciem.
Uczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.
W uczeniu transferowym model, który nauczył się już dużego, ogólnego zadania, służy jako punkt wyjścia dla nowego, wyspecjalizowanego. Zamiast zaczynać od zera, dostosowuje się go, na przykład przez dostrajanie, przy użyciu stosunkowo niewielkiej ilości własnych danych. Oszczędza to czas obliczeń i dane, na przykład gdy ogólny model obrazowy ma nauczyć się wykrywać wady produkcyjne na zdjęciach.
Keras to otwartoźródłowa biblioteka Pythona do budowania i trenowania sieci neuronowych, pierwotnie opracowana przez François Cholleta. Oferuje przystępny interfejs wysokiego poziomu do składania modeli z warstw. Od wersji 3 Keras może działać na JAX, TensorFlow lub PyTorch jako zapleczu obliczeniowym. Przykład: zespół buduje prototyp modelu klasyfikacji obrazów za pomocą zaledwie kilku linijek kodu.
