Keras este o bibliotecă Python open-source pentru construirea și antrenarea rețelelor neuronale, dezvoltată inițial de François Chollet. Oferă o interfață accesibilă, de nivel înalt, pentru asamblarea modelelor din straturi. Începând cu versiunea 3, Keras poate rula pe JAX, TensorFlow sau PyTorch drept backend de calcul. Exemplu: o echipă construiește un prototip de model de clasificare a imaginilor în doar câteva linii de cod.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulTensorFlow este un framework open-source de învățare automată, dezvoltat de Google și lansat în 2015. Se folosește pentru construirea, antrenarea și implementarea rețelelor neuronale în aplicații, pe servere sau pe dispozitive mobile. Keras oferă o interfață accesibilă, de nivel înalt; utilizările tipice includ clasificarea imaginilor, prognoza și sistemele de recomandare.
PyTorch este un framework open-source pentru învățare automată și învățare profundă în limbajul de programare Python. A fost dezvoltat inițial la Meta (pe atunci Facebook) și este administrat din 2022 de PyTorch Foundation, sub egida Linux Foundation. PyTorch este larg răspândit în cercetare și industrie deoarece le permite dezvoltatorilor să construiască flexibil modele, să le antreneze pe GPU-uri și să le testeze pas cu pas; multe modele lingvistice și de imagine cunoscute sunt construite cu el.
Deep learning este o ramură a machine learning care folosește rețele neuronale artificiale cu multe straturi. Astfel de rețele învață din cantități mari de date ce trăsături contează – de la muchiile din imagini până la relațiile de sens din texte. Deep learning stă la baza modelelor lingvistice actuale, a recunoașterii imaginilor și a vorbirii și a traducerii automate și necesită, de regulă, o putere de calcul și date de antrenare considerabile.
Rețelele neuronale artificiale (RNA) sunt modele de calcul formate din multe unități conectate („neuroni”), aranjate în straturi, care prelucrează intrările prin conexiuni ponderate. În timpul antrenării, ponderile sunt ajustate pas cu pas pe baza unor exemple, de obicei prin retropropagare. RNA stau la baza deep learning și alimentează recunoașterea imaginilor, recunoașterea vorbirii și modelele lingvistice de mari dimensiuni. În ciuda inspirației biologice, funcționează mult mai simplu decât creierul uman.
