deep learning framework
En softwareplatform med værktøjer til at designe, træne og implementere dybe neurale netværk.
Kort fortalt
Et deep learning framework er en færdigskrevet kode, der gør det lettere at bygge og træne kunstige neurale netværk uden at skulle skrive alting fra bunden.
- Kategori
- værktøj
- Niveau
- øvet
Betydninger
1- 1
En samling af softwarebiblioteker, API'er og værktøjer, der abstraherer kompleksiteten ved at implementere dybe neurale netværk, så udviklere kan fokusere på modeldesign og træning.
- PyTorch og TensorFlow er de mest udbredte deep learning frameworks i dag.
- Ved at bruge et deep learning framework kan man træne en transformer-model på få linjer kode.
Hvornår bruges det
Deep learning frameworks bruges i både forskning og industri til at eksperimentere med netværksarkitekturer, optimere modeller på GPU'er og implementere dem i produktion. Valget af framework afhænger ofte af fællesskab, dokumentation og understøttelse af specifikke operationer.
Kodeeksempel
import torch
import torch.nn as nn
class SimpleNN(nn.Module):
def __init__(self):
super().__init__()
self.fc = nn.Linear(10, 2)
def forward(self, x):
return self.fc(x)
model = SimpleNN()Et minimalt eksempel på en definition af et neuralt netværk i PyTorch, et populært deep learning framework.
Oprindelse
Termen er sammensat af 'deep learning' (dyb læring) og 'framework' (rammeværk), lånt fra engelsk.
Kilder
2- TensorFlow: A system for large-scale machine learning
- PyTorch: An Imperative Style, High-Performance Deep Learning Library