Derin Öğrenme İçin En İyi 10 Python Kütüphanesi

Derin öğrenme için en iyi Python kütüphanesi; sinir ağı tasarlamanıza, önceden eğitilmiş bir modeli uyarlamanıza, deneyleri düzenlemenize ya da bellek darboğazını çözmenize bağlıdır. Bu görevlerin tümü aynı yazılım katmanını gerektirmez. Temel bir çerçeve, tensör hesaplaması ve türev alma olanağı sunar; diğer kütüphaneler ise modellere erişim, eğitim yapısı veya özel üretim iş akışları sağlar.

Bu 10 kütüphaneyi Ekim 2026’da güncel resmî belgeleri, iş akışlarına uygunlukları, entegrasyon gereksinimleri ve pratik sınırlamaları açısından bağımsız olarak değerlendirdik. PyTorch, genel amaçlı kullanım için ilk tercihimiz olmayı sürdürürken Keras, birden fazla arka uçla çalışan kullanımı kolay bir arayüz sunuyor. Transformers ise önceden eğitilmiş temel modelleri kullanmaya başlamak için güçlü bir seçenek. Bu sıralama, yeni bir uygulamalı hız veya doğruluk kıyaslamasına değil, editoryal değerlendirmeye dayanıyor.

Listedeki bazı kütüphaneler birlikte çalışacak şekilde tasarlanmıştır. Lightning ve fastai, PyTorch üzerine kuruludur; Flax, JAX üzerine kuruludur; Keras ise birden fazla yürütme arka ucunu kullanabilir. Amaç, üst sıralarda yer alan tüm kütüphaneleri kurmak değil, birbiriyle uyumlu bir teknoloji yığını seçmektir.

En İyi Python Derin Öğrenme Kütüphanelerinin Karşılaştırması

1. PyTorch

Yeni bir genel amaçlı derin öğrenme projesi için ilk önerimiz PyTorch’tur. Tensör hesaplamasını, otomatik türev almayı ve sinir ağı bileşenlerini; geliştiricilere modelleri ve eğitim mantığı üzerinde doğrudan denetim sağlayan bir programlama tarzıyla bir araya getirir. Ekosistemi ayrıca bir mimariyi denemekten mevcut bir modeli uygulamaya uyarlamaya uzanan pratik bir yol sunar.

Başlıca avantajı, geliştirme sürecinin farklı aşamalarında esneklik sunmasıdır. Bir ekip, basit bir eğitim döngüsüyle başlayabilir, ara değerleri inceleyebilir ve ölçümler gerektirdiğinde derleme veya dağıtık yürütme ekleyebilir. Model hâlâ değişirken bu ilerleme biçimi işe yarar: alışılmadık bir kayıp işlevine veya güncelleme takvimine uymayabilecek bir eğitim soyutlamasına erkenden bağlanmayı önler.

PyTorch, performans ayarlarını veya dağıtımı otomatik olarak yapmaz. Veri yükleme, hızlandırıcı belleği, hassasiyet, kontrol noktaları ve çıkarım paketleme süreçlerinin tümü darboğaza dönüşebilir. Optimizasyon eklemeden önce küçük bir çalıştırmanın doğru sonuç verdiğinden emin olun; ardından optimize edilmiş sürümün kabul edilebilir çıktı kalitesini koruduğunu doğrulayın. PyTorch’u her modelde en hızlı olacağı veya mevcut bir TensorFlow ya da JAX projesinin mutlaka taşınması gerektiği için değil, geniş kullanım alanı ve ekosistem uyumu nedeniyle ilk sıraya koyuyoruz.

PyTorch’u keşfedin

2. Keras

Keras, güncel Keras TensorFlow’un model oluşturma arayüzünün başka bir adından ibaret olmadığı için ayrı bir başlığı hak ediyor. Keras 3; TensorFlow, JAX ve PyTorch arka uçlarını destekleyerek katmanlar, modeller, eğitim ve serileştirme için üst düzey bir yaklaşım sunuyor. Her döngüyü kendileri yazmadan okunabilir model tanımları ve tutarlı bir eğitim arayüzü isteyen geliştiriciler için güçlü bir seçenek.

Taşınabilirliğin bazı koşulları vardır. Yerleşik katmanlar ve arka uçtan bağımsız işlemler geçişi kolaylaştırabilir; ancak doğrudan tek bir arka uca göre yazılmış özel kodlarda değişiklik yapmak gerekebilir. Kaydedilmiş bir model, herhangi bir TensorFlow işlemini PyTorch işlemine dönüştürmez. OpenVINO arka ucunun amacı farklıdır: çıkarım için tasarlanmıştır; bu nedenle eğitimde kullanılabilecek, diğerleriyle değiştirilebilir bir arka uç olarak sunulmamalıdır.

Soyutlamaları modelinize uyuyorsa ve ekibiniz kısa ve verimli bir geliştirme iş akışına önem veriyorsa Keras’ı seçin. Geçişin tamamlandığını ilan etmeden önce yükleme, tahmin, eğitim davranışı ve dışa aktarma işlemlerini gerçek arka uçta test edin. Kod başarıyla çalışsa bile sayısal farklılıklar ve rastgele sayıların davranışı sonuçları etkileyebilir. Erişilebilirliği ve esnekliği nedeniyle Keras’ı üst sıralara yerleştiriyoruz; alışılmadık hesaplamalar veya eğitim üzerinde daha fazla kontrol temel gereksinim olduğunda ise çerçevenin daha düşük düzeyli API’lerini öneriyoruz.

Keras’ı keşfedin

3. Transformers

Proje sıfırdan tasarlanmış bir sinir ağı yerine önceden eğitilmiş bir temel modelle başlıyorsa, Hugging Face Transformers en uygun seçeneklerden biridir. Model tanımları, belirteçleyiciler ve işlemciler, üretim araçları ile çıkarım ve uyarlama arayüzleri sunar. Değeri, pek çok dil ve çok modlu görevde tutarlı yapı taşları sağlayan ortak bir model ekosistemine erişim olanağı sunmasından gelir.

Önemli uyumluluk düzeltmesi Transformers v5 ile ilgili: Hugging Face, arka uç olarak PyTorch’a odaklanıyor ve TensorFlow ile Flax için önceki desteğini sonlandırıyor. TensorFlow’a özgü model sınıflarını içe aktaran eski örneklerin güncel bir kurulumda çalışacağını varsaymamak gerekir. JAX ekosisteminin diğer bölümlerindeki uyumluluk çalışmaları, Transformers’ın kendi içindeki eski arka uçların desteğini sürdürmesinden farklıdır.

Önce uygun bir kontrol noktası seçin; ardından mimarisini, lisansını, bellek gereksinimlerini ve desteklediği görev arayüzünü inceleyin. Bir kütüphane, topluluk tarafından geliştirilen bir modelin alanınız için doğru sonuç vereceğini veya hizmet sunma maliyetinin uygun olacağını garanti edemez. İnce ayar öncesinde ve sonrasında değerlendirme yaparak, önceden eğitilmiş modellerle çalışırken Transformers’ı öneriyoruz. Küçük ölçekli denetimli bir görev için önce daha basit bir temel modelle karşılaştırma yapın; özel sinir ağı araştırmalarında ise temel bir çerçeve daha anlaşılır bir başlangıç noktası sunabilir.

Transformers’ı keşfedin

4. JAX

JAX; matematiksel programları otomatik türev alma, derleme, vektörleştirme ve dağıtık yürütme yoluyla dönüştürmek isteyen araştırmacılar için sayısal hesaplama temeli sunar. Dizi arayüzü NumPy kullanıcılarına tanıdık gelecektir, ancak programlama modeli daha fazla disiplin gerektirir. Standart bir model eğitimi tarifinden çok hesaplamanın kendisinin araştırmanın odağında olduğu durumlarda özellikle caziptir.

Dönüşümler, bir hesaplamayı bir kez ifade edip ardından bu hesaplamanın türevini almayı, onu gruplar hâlinde çalıştırmayı veya derlemeyi mümkün kılar. Uygulamadaki zorluk, izleme, şekiller, durum ve rastgele sayıların bu dönüşümlerle nasıl etkileştiğini anlamaktır. Derlenmiş bir işlevin dışında sıradan Python gibi çalışan kodun, işlevin içinde yeniden yapılandırılması gerekebilir. Bu anlambilimsel özellikleri, ölçeği büyüttükten sonra hata ayıklarken ele alınacak ayrıntılar olarak değil, tasarımın bir parçası olarak değerlendirin.

JAX genellikle Flax gibi bir sinir ağı kütüphanesiyle veya Keras gibi üst düzey bir arayüzle birlikte kullanılır. Derleme süresini kararlı durumdaki yürütme süresinden ayrı ölçün ve süreleri hesaplarken cihazdaki eşzamansız işlemleri hesaba katın. Dönüşüm modeli ya da hızlandırıcı stratejisi somut bir sorunu çözdüğünde JAX’ı öneriyoruz. En az değişiklikle PyTorch uygulamasını yeniden kullanmak isteyen bir ekip içinse daha dolaylı bir seçenektir.

JAX’ı keşfedin

5. TensorFlow

TensorFlow, mevcut TensorFlow modelleri, veri hatları ve dağıtım altyapısı bulunan ekipler için önemli bir seçenek olmayı sürdürüyor. Sinir ağlarını oluşturup eğitmek için gereken sayısal işlem ve yürütme temelini, kapsamlı bir destek araçları ekosistemiyle birlikte sunuyor. Burada en güçlü tercih nedeni, sorunsuz çalışan bir üretim yığınını sürdürmek veya açıkça belirlenmiş bir entegrasyon gereksinimini karşılamaktır.

Keras, üst düzey bir model arayüzü sunabilir; ancak bu iki proje birbirinden ayrılmaz kabul edilmemelidir: Keras artık birden fazla arka ucu destekliyor. TensorFlow’a özgü çalışmalar için geliştiriciler, TensorFlow’un tensör işlemlerinden, otomatik türev alma özelliklerinden, veri hattı araçlarından ve dağıtık eğitim olanaklarından doğrudan yararlanabilir. Bu ayrım, bir projenin Keras kurallarına mı, TensorFlow işlemlerine mi, yoksa her ikisine birden mi bağlı olduğunu açıklamaya yardımcı olur.

Dışa aktarılan model dosyası ve gerekli operatörler de dâhil olmak üzere, hedeflenen sunum veya cihaz yolunu erkenden doğrulayın. Python’da eğitimin başarıyla tamamlanması, her modelin her hedef çalışma ortamına sorunsuz biçimde dönüştürülebileceğini kanıtlamaz. Yerleşik bir sistemden geçişin çok az fayda sağlayabileceğini de göz önünde bulundurarak TensorFlow’u bu kitle için daha genel başlangıç seçeneklerinin gerisinde sıralıyoruz. Bir çerçeve değişikliğinin model kalitesini artıracağını varsaymak yerine mevcut varlıklara, dağıtım gereksinimlerine ve ölçülmüş mühendislik maliyetine göre seçim yapın.

TensorFlow’u keşfedin

6. PyTorch Lightning

PyTorch Lightning, ekiplerin aynı yürütme ve deney yönetimi mantığını tekrar tekrar uygulamasını önlemek için PyTorch eğitimine bir yapı kazandırır. Geliştiriciler model davranışını ve eğitim adımlarını tanımlarken çerçeve, bunlarla ilgili işlerin büyük bölümünü üstlenir. Birden fazla deneyde doğrulama, günlük kaydı, kontrol noktaları, hassasiyet ayarları ve cihaz yapılandırmasının tutarlı olması gerektiğinde kullanışlıdır.

Avantajı yeni bir modelleme olanağı sunması değil, tutarlılık sağlamasıdır. Ortak bir eğitim yapısı, çalışma arkadaşlarının bir deneyi anlamasını ve yapılandırmasını yeniden üretmesini kolaylaştırabilir. Ayrıca dağıtık yürütme için daha düzenli bir yol sunar; ancak seçilen stratejinin yine de model ve donanımla uyumlu olması gerekir. Lightning kendi altyapınızda çalışabilir; bu kütüphaneyi kullanmak, barındırılan bir eğitim hizmeti satın almayı gerektirmez.

Bu soyutlama, geliştiricilerin öğrenmesi gereken bir yaşam döngüsü getirir. Eğitim davranışı alışılmışın dışına çıktığında, çerçevenin amaçlanan algoritmayı kendiliğinden çıkaracağını varsaymak yerine geri çağırmaların sırasını, iyileştirici üzerindeki denetimi ve kontrol noktalarının içeriğini inceleyin. Eğitim altyapısının projeler arasında yinelendiği durumlarda Lightning’i öneriyoruz. Küçük bir deneyde veya alışılmadık bir araştırma döngüsünde yalın PyTorch’u anlamak daha kolay olabilir; yapıyı daha sonra eklemek de geçerli bir seçenektir.

PyTorch Lightning’i keşfedin

7. Flax

Flax, JAX ekosistemi için sinir ağı yapı taşları sunar. Güncel belgeleri, geliştiricilerin JAX dönüşümlerine erişimi korurken modelleri sıradan Python nesneleriyle ifade etmesine olanak tanıyan NNX’e odaklanıyor. Hesaplama için JAX’i tercih eden, aynı zamanda katmanları, parametreleri ve diğer model durumlarını düzenli biçimde yönetmek isteyen ekipler için güçlü bir seçenektir.

NNX ile eski Linen API’si birlikte varlığını sürdürüyor; bu nedenle bir öğreticide veya depoda hangi API’nin kullanıldığı önem taşıyor. Resmî yönergeler, Linen’ın yakın gelecekte kullanımdan kaldırılmayacağını açıklarken yeni kullanıcılara NNX’i değerlendirmelerini öneriyor. Dolayısıyla mevcut bir Linen projesinin, daha yeni örneklerde farklı bir model arayüzü kullanılıyor diye aceleyle baştan yazılması gerekmez.

Flax, ilgili JAX anlambilimini öğrenmenin yerini tutmaz. Güvenilir bir eğitim sistemi kurarken durum yönetimi, rastgele sayıların yönetimi, iyileştirici entegrasyonu ve kontrol noktalarından kurtarma konuları da önemini korur. Özellikle model yapısının ve durumunun incelenebilir kalması gerektiğinde, JAX yığınını bilinçli olarak seçen ekiplere Flax’i öneriyoruz. Önceden eğitilmiş bir kontrol noktasına dayanan bir uygulama için önce ilgili modelin hangi uygulamasının bakımının sürdürüldüğünü kontrol edin; yalnızca çerçeve tercihi, desteklenen bir yükleme veya eğitim yolunun bulunduğunu göstermez.

Flax’ı keşfedin

8. Diffusers

Hugging Face Diffusers, difüzyon modelleri ve bunlarla ilişkili üretken medya iş akışlarıyla geliştirme için uzmanlaşmış önerimizdir. Çıkarım sürecine hızla başlamayı sağlayan önceden eğitilmiş işlem hatlarının yanı sıra, üretim sürecini özelleştirmek isteyen geliştiricilere yönelik bileşenler de sunar. Bu nedenle, tensör çerçevelerinin genel bir alternatifi olmaktan ziyade görüntü, video ve ses çalışmaları için uygundur.

Güncel belgeler, hazır DiffusionPipeline iş akışlarını yapı taşlarından bir araya getirilen modüler işlem hatlarından ayırıyor. Bu ayrım yararlıdır: Desteklenen bir kontrol noktasını yükleyip bir bağdaştırıcıyla denemeler yapmak, temel işlem hattını değiştirmekten farklı bir mühendislik işidir. Denemeyi destekleyen en üst düzey arayüzle başlayın; belirli bir gereksinim ortaya çıktığında bileşen düzeyine inin.

Kaynak planlaması, yararlı bir değerlendirmenin temel unsurlarındandır. Model boyutu, çıktı çözünürlüğü, dizi uzunluğu, çıkarım adımları ve verileri hızlandırıcı belleğinden diğer kaynaklara taşıma tercihleri hem bellek kullanımını hem de üretim süresini değiştirebilir. Bu maliyetlerin yanı sıra çıktı kalitesini de karşılaştırın ve seçilen ağırlıkların lisansını kütüphane lisansından ayrı olarak inceleyin. Görev üretken medyaysa Diffusers’ı öneriyoruz; sıradan bir sınıflandırıcı eğiten veya yalnızca metin kullanan bir bilgi erişimi uygulaması geliştiren ekiplerin genellikle yığının farklı bir bileşenine ihtiyacı olacaktır.

Diffusers’ı keşfedin

9. DeepSpeed

DeepSpeed, derin öğrenmeyi öğrenmeye başlamak için varsayılan seçenek değil, zorlu modelleri eğitmek ve çalıştırmak üzere uzmanlaşmış bir optimizasyon kütüphanesidir. ZeRO yaklaşımı, veri paralelliği kullanan çalışanlar arasında yinelenen eğitim durumunu azaltır. Farklı aşamalar; kullanılabilir cihazlara sığmayarak işe yarar bir eğitim yapılandırmasını engelleyebilen bellek baskısını hafifletmek için iyileştirici durumunu, gradyanları ve model parametrelerini bölümlere ayırır.

Bellekte sağlanan bu tasarrufların bazı ödünleşimleri vardır. Cihazlar arasındaki iletişim, CPU’ya veya depolama alanına yük aktarımı ve kontrol noktalarının yönetimi, verimi ve kurtarma sürecini etkileyebilir. Modelin sığmasını sağlayan bir yapılandırma yine de başka bir yaklaşımdan daha yavaş veya daha maliyetli olabilir. Önce belleği nelerin tükettiğini net biçimde belirleyin; ardından uygun ZeRO aşamasını, mevcut çerçevede kullanılabilen daha basit alternatiflerle karşılaştırın.

Ölçülen bellek veya ölçeklenebilirlik kısıtları operasyonel karmaşıklığı haklı çıkarıyorsa DeepSpeed’ı öneriyoruz. Çerçeve, hızlandırıcı yığını, uzantılar ve eğitim entegrasyonu arasındaki uyumluluğu doğrulayın; ardından temsili bir kontrol noktasının kaydedilip geri yüklenmesini test edin. Küçük modeller çoğu zaman bu araçlara ihtiyaç duymaz. Bu listenin DeepSpeed’a yer vermesi, her PyTorch eğitim işine başka bir dağıtık çalışma zamanı eklenmesi gerektiğini öne sürmekten değil, ortaya çıktığında zorlu bir altyapı sorununu çözmenin öneminden kaynaklanıyor.

DeepSpeed’ı keşfedin

10. fastai

fastai, her eğitim bileşenini kendi başına bir araya getirmeden işe yarar bir derin öğrenme referans modeli oluşturmak isteyen öğrenenler ve uygulayıcılar için verimli bir seçenektir. PyTorch’un üzerine üst düzey veri ve eğitim soyutlamaları eklerken daha alt düzey yapı taşlarına erişimi de korur. Çekiciliği, hazırlanmış bir veri kümesinden değerlendirilip geliştirilebilecek bir modele daha kısa sürede ulaşmayı sağlamasıdır.

Veri bloğu ve geri çağırma sistemleri, yaygın görevlerde ön işleme ve eğitim davranışını düzenlemeye yardımcı olur. Bu kolaylık yalnızca veriye ilişkin varsayımlar doğru olduğunda yararlıdır: Olumlu görünen bir doğrulama sonucuna güvenmeden önce etiketleri, veri bölümlerini, dönüşümleri ve ölçütleri inceleyin. Kullanımı kolay bir eğitim arayüzü, her veri sızıntısı sorununu saptayamaz veya bir modelin farklı bir girdi grubuna genellenebileceğini garanti edemez.

Eğitim, hızlı denemeler ve gereksinimleri fastai’nin soyutlamalarına uyan projeler için fastai’yi öneriyoruz. İyileştirmelerin açıklanıp yeniden üretilebilmesi için varsayılanların ne yaptığını öğrenin. Bir proje sıra dışı bir mimariye veya dağıtım işlem hattına yöneldiğinde doğrudan PyTorch kullanmak daha açık bir yol sunabilir. fastai’nin listedeki daha alt sıralarda yer alması, modellerinin doğası gereği daha kötü sonuçlar verdiği iddiasını değil, bu karma kısa listedeki önerilen kullanım alanının daha dar olmasını yansıtıyor.

fastai’yi keşfedin

Önem Taşıyan Uyumluluk Değişiklikleri

Transformers v5: Hugging Face’in resmî v5 duyurusu, önceki TensorFlow ve Flax arka uçlarını kullanımdan kaldırıp PyTorch’u öne çıkarıyor. Eski, belirli arka uçlara özgü sınıflar üzerine kurulu bir uygulamayı yükseltmeden önce geçiş yönergelerini kontrol edin. Bu değişiklik, JAX veya TensorFlow’un kendilerinin kullanımdan kaldırıldığı anlamına gelmiyor.

Keras birden çok arka ucu destekler: Keras 3 belgelerinde TensorFlow, JAX ve PyTorch eğitim arka uçlarının yanı sıra yalnızca çıkarım için kullanılan bir OpenVINO arka ucu açıklanıyor. Arka uçlar arasında taşınabilirlik, uyumlu işlemlere ve özel bileşenlere bağlıdır; bu nedenle kullanılan modelle doğrulanmalıdır.

Flax’in farklı API’leri vardır: Flax belgeleri, yeni kullanıcılara NNX’i önerirken Linen desteğini de sürdürür. Uyumsuz eğitim kaynaklarından kod parçalarını birleştirmek yerine, örnekleri projenizde kullanılan API’ye göre seçin.

Derin Öğrenme Teknoloji Yığını Nasıl Seçilir ve Değerlendirilir?

• Görevle başlayın: Önceden eğitilmiş modeller için, çevresindeki çerçeveyi seçmeden önce desteklenen bir kontrol noktası belirleyin. Özel bir mimari söz konusuysa hesaplama ve eğitim davranışı üzerindeki denetime öncelik verin. Küçük, tablo biçimindeki veri kümelerinde derin öğrenmeye karar vermeden önce sinir ağı kullanmayan bir temel modeli karşılaştırın.
• Ortamın tamamını kontrol edin: Python, çerçeve, hızlandırıcı çalışma zamanı, sürücüler ve uzantıların birbiriyle uyumlu olduğunu doğrulayın. Her paketin en yeni sürümünü birbirinden bağımsız olarak yüklemek, güvenilir bir uyumluluk stratejisi değildir.
• Eğitim hızının ötesindeki ölçütleri de değerlendirin: Veri yükleme, derleme, en yüksek bellek kullanımı, kontrol noktası depolama alanı, çıkarım gecikmesi ve nihai modelin kalitesini hesaba katın. İlk çalıştırmadaki kurulum sürecini, kararlı durum ölçümlerinden ayrı değerlendirin.
• Kurtarma sürecini sınayın: Eğitime devam etmek için gereken durumu içeren bir kontrol noktası kaydedip geri yükleyin. Maliyetli bir çalıştırmaya başlamadan önce, geri yüklenen işin beklendiği gibi davrandığını doğrulayın.
• Dağıtım çıktısını doğrulayın: Dışa aktarılan modeli, kullanılacağı sunum ortamında veya cihaz çalışma zamanında erkenden sınayın. Eğitimin başarıyla tamamlanması; dışa aktarma sonrasında operatörlerin destekleneceğini, gecikmenin kabul edilebilir olacağını veya cihaz belleğinin yeterli kalacağını garanti etmez.
• Değerlendirmeleri tekrarlanabilir kılın: Veri bölümlerini, ön işlemeyi, model sürümlerini, paket sürümlerini, hassasiyet ayarlarını ve ölçütleri kaydedin. Önceden eğitilmiş ağırlıkların lisanslarını yazılım lisanslarından bağımsız olarak inceleyin.

Dile özgü iş akışları için Python doğal dil işleme kitaplıkları rehberimize göz atın. Bir eğitim çerçevesi yerine model ağırlıkları seçiyorsanız açık kaynaklı ve açık ağırlıklı büyük dil modeli önerilerimizi karşılaştırın. Bu kararları bir paketin popülerliğine göre değil, görevin ve donanımın getirdiği kısıtlamalara göre verin.

Hangi Derin Öğrenme Kitaplığını Seçmelisiniz?

Geniş model geliştirme esnekliği için PyTorch ile, sade ve birden çok arka uçla çalışan bir arayüz için Keras ile başlayın; önceden eğitilmiş bir temel modelin başlıca varlık olduğu durumlarda ise Transformers‘ı tercih edin. JAX dönüşümleri ve sinir ağı geliştirme çalışmaları araştırma probleminize uygunsa JAX ile Flax‘i seçin. Mevcut modeller ve dağıtım altyapısı en pratik seçeneği oluşturuyorsa TensorFlow‘u öncelikli tercih olarak tutun.

Tekrarlanan eğitim altyapısının düzenlenmesi gerektiğinde PyTorch Lightning‘i, üretken medya işlem hatları için Diffusers‘ı, ölçülen bellek veya dağıtık eğitim kısıtlamaları gerektirdiğinde ise DeepSpeed‘i ekleyin. Hızlıca öğrenmek ve kullanışlı referans modeller oluşturmak için fastai‘yi kullanın. Daha küçük ve iyi anlaşılan bir teknoloji yığını, birbiriyle örtüşen soyutlamalardan oluşan bir koleksiyona kıyasla doğrulanması ve bakımı daha kolaydır.