La tua prima libreria di deep learning fa molto di più che far girare un modello. Plasma il modo in cui pensi ai gradienti, agli strati e al flusso di dati. Scegline una sbagliata e passerai settimane a combattere con il codice boilerplate invece di imparare come si comportano realmente le reti neurali. Scegline una giusta e i concetti si incastreranno perfettamente perché il codice non sarà un ostacolo.
La maggior parte dei principianti restringe la scelta a tre librerie: Keras, PyTorch e TensorFlow. C'è anche JAX, ma dovresti ignorarla finché non saprai cos'è una Jacobiana.
Cosa significa realmente "amichevole per i principianti"
Una libreria non è amichevole solo perché la documentazione è corposa. È amichevole quando il codice si legge come la matematica che hai visto nel tutorial, e quando un messaggio di errore indica il tuo errore invece di scaricare uno stack trace da un backend in C++. Vuoi pensare ai tassi di apprendimento (learning rates) e alle funzioni di attivazione, non a discrepanze nelle dimensioni dei tensor sepolte a cinque livelli all'interno degli interni del framework.
Keras: parti da qui per vedere i risultati
Keras è stata costruita su un'idea semplice. Dovresti essere in grado di passare dall'idea al modello addestrato nel tempo necessario per bere un caffè. Avvolge la complessità della backpropagation e dell'ottimizzazione del grafo dietro un'API pulita, quindi un classificatore di immagini completamente funzionante spesso rientra in circa una dozzina di righe di Python.
Definisci un modello impilando gli strati all'interno di un oggetto Sequential, chiama model.compile() per allegare un ottimizzatore e una funzione di perdita (loss function), quindi chiama model.fit() per l'addestramento. La sintassi sembra una checklist. Dimensione dell'input? Fatto. Strato denso (Dense layer)? Fatto. Ciclo di addestramento? Gestito. Questo ti permette di sperimentare subito con ciò che conta davvero. Aggiungere un altro strato aiuta? Dovresti sostituire ReLU con sigmoid? Cosa succede quando cambi la dimensione del batch (batch size)?
Se il tuo obiettivo è imparare cosa fanno gli strati e gli ottimizzatori senza annegare nei file di configurazione, Keras elimina quell'attrito. Puoi avere una rete convoluzionale in funzione su immagini reali entro un'ora dall'installazione del pacchetto. Poiché Keras si appoggia su TensorFlow per impostazione predefinita, hai anche accesso a pipeline di dati di livello produzione senza lasciare l'API di alto livello.
Il compromesso emerge quando ti allontani dal sentiero battuto. Se hai bisogno di scrivere una funzione di perdita personalizzata che dipenda dalle attivazioni intermedie, o se vuoi alterare il backward pass durante l'addestramento, Keras può sembrare restrittiva. Ha delle vie d'uscita, ma usarle spesso significa scendere nel codice grezzo del framework. Per una logica di ricerca personalizzata, quel limite è reale.
PyTorch: impara guardando dentro le viscere
PyTorch tratta una rete neurale come un normale programma Python. Definisci un modello tramite la subclassazione di torch.nn.Module. Il forward pass è solo un metodo Python che descrive come l'input diventi output. Chiami loss.backward() e PyTorch calcola i gradienti al volo.
Questo accade perché PyTorch costruisce il suo grafo di computazione in modo dinamico. Alcuni framework richiedono che tu definisca l'intera struttura del modello in anticipo, prima che qualsiasi dato lo tocchi. PyTorch aspetta finché non passi effettivamente un batch attraverso la rete. Se la dimensione dell'input cambia tra i batch, o se vuoi stampare un tensor a metà del forward pass per debuggare un errore di dimensione (shape mismatch), il framework non si lamenta. Usi un debugger standard. Inserisci istruzioni print() all'interno della tua classe del modello. Questa semplicità è fondamentale quando ogni dimensione del tensor sembra un puzzle, perché rende il debugging simile alla programmazione normale.
Se vuoi capire come funziona realmente l'addestramento — come il forward pass produce previsioni, come il backward pass distribuisce l'errore, come l'ottimizzatore aggiorna i pesi — PyTorch ti costringe a guardare sotto il cofano. Quella trasparenza è il motivo per cui è attualmente il leader nella ricerca e compare nella maggior parte dei nuovi annunci di lavoro nel campo dell'IA. Quando leggi un articolo su arXiv, è molto probabile che l'implementazione ufficiale sia scritta in PyTorch.
TensorFlow: pensa a dove risiede il modello
La reputazione di TensorFlow era quella di essere verboso e difficile da apprendere. Gran parte di questo è cambiato quando Keras è diventata la sua API ufficiale di alto livello. Nelle versioni moderne, quando importi Keras, di solito stai eseguendo su TensorFlow, che tu te ne accorga o meno. Ma TensorFlow conta ancora come scelta distinta per ciò che accade dopo che il modello è stato addestrato.
L'ecosistema è progettato per il deployment. TensorFlow Lite comprime i modelli per eseguirli su smartphone, microcontrollori e sensori industriali con limiti di memoria ridotti. TensorFlow.js esegue l'inferenza direttamente all'interno di un browser senza inviare dati a un server. TensorFlow Serving gestisce il versionamento dei modelli e le previsioni batch in grandi ambienti di produzione.
Scegli TensorFlow quando il tuo progetto ha un vincolo fisico...