DL4J (Eclipse Deeplearning4j) är ett bibliotek med öppen källkod för djupinlärning på Java Virtual Machine (JVM). Det gör det möjligt att träna och köra neurala nätverk i Java eller Scala och passar därför in i befintliga Javabaserade företagssystem. Projektet innehåller också verktyg för att importera modeller från andra ramverk. Det underhålls som ett projekt inom Eclipse Foundation.
Djupinlärning är en gren av maskininlärningen som använder artificiella neurala nätverk med många lager. Sådana nätverk lär sig av stora datamängder vilka egenskaper som är viktiga – från kanter i bilder till betydelsesamband i texter. Djupinlärning ligger till grund för dagens språkmodeller, bild- och taligenkänning samt maskinöversättning och kräver vanligtvis stor beräkningskraft och mycket träningsdata.
TensorFlow är ett ramverk för maskininlärning med öppen källkod, utvecklat av Google och släppt 2015. Det används för att bygga, träna och driftsätta neurala nätverk i applikationer, på servrar eller på mobila enheter. Keras erbjuder ett lättillgängligt högnivågränssnitt; typiska användningsområden är bildklassificering, prognoser och rekommendationssystem.
Keras är ett Python-bibliotek med öppen källkod för att bygga och träna neurala nätverk, ursprungligen utvecklat av François Chollet. Det erbjuder ett lättillgängligt gränssnitt på hög nivå för att sätta ihop modeller av lager. Sedan version 3 kan Keras köras med JAX, TensorFlow eller PyTorch som beräkningsbackend. Exempel: ett team bygger en prototyp för bildklassificering med bara några rader kod.
PyTorch är ett ramverk med öppen källkod för maskininlärning och djupinlärning i programmeringsspråket Python. Det utvecklades ursprungligen hos Meta (då Facebook) och har sedan 2022 förvaltats av PyTorch Foundation under Linux Foundation. PyTorch används flitigt inom forskning och industri eftersom det låter utvecklare bygga modeller flexibelt, träna dem på GPU:er och testa dem steg för steg; många välkända språk- och bildmodeller är byggda med det.
