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.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoTensorFlow to otwartoźródłowy framework do uczenia maszynowego, opracowany przez Google i opublikowany w 2015 roku. Służy do budowania, trenowania i wdrażania sieci neuronowych w aplikacjach, na serwerach lub urządzeniach mobilnych. Keras zapewnia przystępny interfejs wysokiego poziomu; typowe zastosowania to klasyfikacja obrazów, prognozowanie i systemy rekomendacji.
PyTorch 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.
Sztuczne sieci neuronowe (ANN) to modele obliczeniowe złożone z wielu połączonych jednostek („neuronów”) ułożonych w warstwy, które przetwarzają dane wejściowe przez ważone połączenia. Podczas trenowania wagi są stopniowo dostosowywane na podstawie przykładów, zwykle metodą propagacji wstecznej. ANN są podstawą uczenia głębokiego i napędzają rozpoznawanie obrazów, rozpoznawanie mowy oraz duże modele językowe. Mimo biologicznej inspiracji działają znacznie prościej niż ludzki mózg.
