Open Neural Network Exchange (ONNX) to otwarty format plików dla modeli uczenia maszynowego, wprowadzony w 2017 roku przez Microsoft i Facebook (obecnie Meta), a dziś rozwijany pod egidą LF AI & Data Foundation. Model wytrenowany na przykład w PyTorch można wyeksportować do ONNX i uruchamiać za pomocą innych narzędzi lub środowisk uruchomieniowych, takich jak ONNX Runtime. Ułatwia to przechodzenie między frameworkami i wdrażanie na różnym sprzęcie.
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.
TensorFlow 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.
Apache MXNet był otwartoźródłowym frameworkiem do głębokiego uczenia, który potrafił efektywnie trenować modele na wielu procesorach graficznych i maszynach, z interfejsami dla Pythona, C++, R, Scali i innych języków. Amazon Web Services wspierał go przez kilka lat jako preferowany framework. Apache Software Foundation zamknęła projekt we wrześniu 2023 roku i do lutego 2024 roku przeniosła go do Apache Attic; nie jest już rozwijany. Istniejące modele zazwyczaj migruje się do innych frameworków.
Scikit-learn to otwartoźródłowa biblioteka Pythona do klasycznego uczenia maszynowego. Udostępnia spójne narzędzia do klasyfikacji, regresji, klasteryzacji, redukcji wymiarowości, wstępnego przetwarzania danych i oceny modeli, na przykład walidacji krzyżowej. Zbudowana na NumPy i SciPy, dzięki prostemu, jednolitemu interfejsowi jest szeroko stosowana w edukacji, badaniach i praktyce. Do głębokich sieci neuronowych zwykle wybiera się natomiast frameworki takie jak PyTorch lub TensorFlow.
