Лучшие фреймворки для машинного обучения в 2025 году

Сегодня ни один крупный проект в области машинного обучения ^[1] (ML) не обходится без фреймворков — готовых наборов библиотек, в которых базовые алгоритмы уже оптимизированы для различных архитектур. Выбор правильного фреймворка не только упрощает разработку, но и определяет успех проектов по внедрению искусственного интеллекта ^[2].

В этой статье эксперты лаборатории искусственного интеллекта российской ИТ-компании «Криптонит» рассматривают самые актуальные фреймворки для машинного обучения, анализируют причины их популярности, ключевые области применения и тенденции развития. Аналитика строится как на собственном опыте ^[3], так и на данных специализированных источников, таких как GeeksforGeeks, Upgrad, Octal Software и других, чтобы предоставить аргументированный и непредвзятый обзор.

Мы разделили обзор на две части. В первой рассматриваются фреймворки для глубокого обучения. Они ориентированы на построение и обучение нейронных сетей, в том числе сложных архитектур, таких как свёрточные модели и трансформеры. Вторая часть посвящена фреймворкам для классического машинного обучения. Они используются для работы с моделями, основанными на регрессии, решающих деревьях, методах ансамблирования (например, бустинг) и других алгоритмах без использования глубоких нейросетей.

Фреймворки для глубокого обучения

PyTorch: фаворит исследователей

PyTorch разработан Meta AI. Её головная компания признана экстремистской организацией в России, но статус самого дочернего подразделения остаётся неясным. Официально PyTorch никто не запрещал. Он известен своим интуитивно понятным API и императивным стилем программирования. В PyTorch используются динамические графы вычислений, что упрощает прототипирование и отладку моделей, что особенно важно в исследованиях. Если в вашей компании есть подразделение R&D, наверняка оно уже использует PyTorch.

В 2025 году PyTorch занимает первое место по популярности в России (об этом подробнее ниже) и второе в США и ЕС [4] ^[4]. Его динамический граф вычислений делает PyTorch любимцем исследователей, а поддержка облачных сервисов (например, Microsoft Azure) упрощает решение производственных задач [3] ^[5]. Недавние улучшения PyTorch включают в себя расширенные возможности распределённого обучения и интеграцию с облачными платформами [3] ^[5].

PyTorch активно используется в задачах глубокого обучения, таких как компьютерное зрение ^[6], обработка естественного языка (NLP) и различные исследования в области ИИ. Его гибкость делает PyTorch идеальным для экспериментов с новыми архитектурами нейронных сетей.

Гибкость PyTorch делает его основой для мощных библиотек, таких как PyTorch Lightning и Fastai, которые упрощают разработку моделей глубокого обучения. Эти фреймворки созданы для ускорения рабочих процессов, минимизации рутинного кода и повышения доступности глубокого обучения как для исследователей, так и для бизнеса.

PyTorch Lightning — это обёртка над PyTorch, которая структурирует код и автоматизирует рутинные задачи, сохраняя гибкость базового фреймворка. Она стандартизирует процесс обучения моделей, разделяя исследовательскую логику ^[7] (архитектура модели) от инженерной (циклы обучения, логирование, распределённое обучение). Это особенно полезно для команд, где исследователи хотят сосредоточиться на экспериментах, а инженеры — на масштабировании и других технических задачах.

PyTorch Lightning идеально подходит для R&D-команд, разрабатывающих сложные модели, например, для компьютерного зрения или NLP, где важна скорость выполнения экспериментов и воспроизводимость результатов.

Fastai — это высокоуровневая библиотека, построенная поверх PyTorch, ориентированная на простоту и быстрый старт. Она предлагает готовые решения для стандартных задач глубокого обучения, таких как классификация изображений или обработка текстов, с минимальным количеством кода. Fastai идеально подходит для молодых специалистов и бизнеса, которые хотят быстро внедрить ИИ без глубокого погружения в детали.

“В нашей лаборатории большой  популярностью пользуется фреймворк PyTorch. Мы применяем его для решения широкого спектра задач в области компьютерного зрения (CV), обработки аудиосигналов и естественного языка (NLP). PyTorch обеспечивает высокий уровень гибкости и интуитивно понятный интерфейс, что особенно важно на этапе прототипирования и проверки гипотез. Вместе с тем модели, обученные на PyTorch, достаточно легко конвертируются в форматы, которые мы используем при инференсе в продакшене. Для ускорения и стандартизации процесса обучения и сборки моделей часть команды использует PyTorch Lightning. Он позволяет упростить код, отделить логику модели от инфраструктурных аспектов (таких как логирование, сохранение чекпоинтов, работа с multi-GPU и др.), а также легко интегрировать трекинг экспериментов с помощью сторонних сервисов. Благодаря этому время на подготовку эксперимента и его отладку сокращается, а воспроизводимость результатов повышается. Но вместе с тем некоторые коллеги отмечают потерю гибкости и контроля, поскольку Lightning прячет многое «под капотом», что усложняет отладку нестандартных моделей и пайплайнов. Также мы не рекомендуем Lightning младшим коллегам, которые только начинают обучать модели. Высокий уровень абстракции затрудняет понимание того, что реально происходит в процессе обучения”, — сказал руководитель лаборатории искусственного интеллекта компании “Криптонит” Виталий Пирожников.

TensorFlow: универсальный фреймворк

TensorFlow, разработанный командой Google Brain, остаётся одним из самых популярных и универсальных фреймворков для машинного обучения. Он поддерживает широкий спектр задач, включая глубокое обучение, и предлагает версии для мобильных устройств (TensorFlow Lite) и веб-приложений (TensorFlow.js). Поддержка GPU/TPU и статические графы вычислений обеспечивают высокую скорость и масштабируемость. 

По данным GeeksforGeeks, TensorFlow лидирует по количеству упоминаний в научных публикациях и активности в сообществе GitHub [2] ^[8]. В 2025 году TensorFlow продолжает доминировать благодаря поддержке Google, интеграции с облачными платформами (например, Google Cloud) и универсальности [3] ^[5]. Новые оптимизации TensorFlow, выполненные в 2024 – 2025 годах, улучшают его производительность и скорость обучения, а расширенная поддержка оборудования (GPU и TPU) позволяет быстрее развёртывать модели [3] ^[5].

TensorFlow идеально подходит для задач компьютерного зрения, распознавания речи и рекомендательных систем. Его экосистема включает TensorFlow Extended (TFX) для создания конвейеров ML.

Для корпоративных решений часто выбирают TensorFlow, в том числе и благодаря лёгкости его интеграции с облачными платформами. Также он востребован в производственных системах, в которых требуется масштабируемость и скорость.

Говоря о TensorFlow, стоит упомянуть и его «обёртку» Keras.

Изначально созданный Франсуа Шолле, с 2017 года Keras интегрирован в экосистему TensorFlow как высокоуровневый API. Сейчас он также поддерживает другие бэкенды, такие как PyTorch и JAX (о нём поговорим отдельно).

Как часть экосистемы TensorFlow, Keras наследует его мощь: поддержку GPU/TPU, распределённое обучение и интеграцию с TensorFlow Extended (TFX) для создания мощных конвейеров.

Keras предлагает лаконичный и понятный интерфейс, который позволяет создавать нейронные сети в несколько строк кода. Это снижает порог входа для новичков и ускоряет прототипирование. Он предоставляет готовые строительные блоки (слои, оптимизаторы, функции активации), которые легко комбинировать для создания сложных архитектур. Это делает Keras универсальным для задач от классификации изображений до обработки текстов.

В целом Keras ориентирован на простоту, гибкость и быстрый старт, что делает его разумным выбором для молодых специалистов и компаний, внедряющих ИИ в свои бизнес-процессы.

JAX: функциональный подход и глубокая оптимизация

JAX — это фреймворк для высокопроизводительных вычислений и машинного обучения, разработанный Google Research. Он сочетает гибкость Python с мощью аппаратного ускорения, предлагая уникальный подход к построению моделей глубокого обучения.  

В частности, JAX использует XLA (Accelerated Linear Algebra), что обеспечивает оптимизацию вычислений на GPU и TPU. Это позволяет достичь высокой скорости обучения, сравнимой с TensorFlow, но с большей гибкостью. 

Однако, в отличие от императивного стиля PyTorch, JAX использует чисто функциональное программирование, где модели описываются как неизменяемые функции. 

В JAX используется библиотека autograd для автоматического вычисления градиентов, что делает его идеальным для задач оптимизации и глубокого обучения. Его функциональный стиль программирования упрощает работу с градиентами. Также JAX поддерживает JIT (Just-In-Time) компиляцию через jax.jit, что оптимизирует код для конкретного оборудования. Экосистема JAX включает библиотеки Flax и Haiku, которые упрощают создание нейронных сетей. 

В целом JAX ориентирован на продвинутых исследователей и специалистов, работающих над передовыми задачами ИИ, а также на сложные задачи бизнеса, требующие высокой производительности.

Фреймворки для классического машинного обучения

scikit-learn: простота для ML

Разница между фреймворком и большой библиотекой довольно условна. Поэтому для полноты картины стоит упомянуть scikit-learn. Это библиотека Python для классического машинного обучения. Она поддерживает широкий спектр алгоритмов, включая регрессию, классификацию,кластеризацию, понижение размерности и препроцессинг. Её выбирают для быстрого прототипирования и других задач классического ML, где не требуется глубокое обучение.

Библиотека scikit-learn имеет хорошую совместимость с другими библиотеками Python, такими как NumPy, XNumPy ^[9] и pandas. Её часто используют на первом этапе конвейера для предобработки данных.

Несмотря на растущее число конкурентных решений, scikit-learn остаётся лидером в задачах классического ML благодаря своей простоте и обширной документации [2] ^[8][4] ^[4]. Эту библиотеку особенно любят специалисты по анализу данных [5] ^[10].

XGBoost: лидер в градиентном бустинге

XGBoost — это фреймворк для градиентного бустинга (постепенного повышения точности предсказаний деревьев решений), оптимизированный для максимальной производительности и лёгкой масштабируемости. Он особенно популярен в задачах прогнозирования и часто используется в соревнованиях по машинному обучению. Если вы участвовали в хакатонах по ML, то наверняка сталкивались с ним.

По данным Octal Software, XGBoost является одним из лучших инструментов для градиентного бустинга на структурированных данных [5] ^[10]. Он остаётся популярным благодаря своей скорости, точности и простоте использования.

XGBoost идеален для задач классического машинного обучения, таких как классификация, регрессия и ранжирование. Он широко используется в финансовых моделях, системах рекомендаций и анализе данных.

Традиционно XGBoost выбирают для задач, где требуется высокая точность на структурированных данных.

CatBoost : дальнейшее развитие XGBoost

CatBoost — ещё один популярный фреймворк для градиентного бустинга, разработанный специалистами компании «Яндекс». Его можно рассматривать как эволюционное продолжение XGBoost. Оба фреймворка используют деревья решений и градиентный бустинг для построения моделей, но CatBoost вносит качественные улучшения.  

В отличие от XGBoost, который требует ручного кодирования категориальных признаков, CatBoost автоматически обрабатывает их с помощью алгоритма ordered boosting. Это упрощает подготовку данных и снижает риск переобучения, обеспечивая более надёжные результаты на новых данных.

CatBoost завоевал популярность среди специалистов по машинному обучению (особенно российских) благодаря своей способности эффективно работать с категориальными данными. Он выполняет их автоматическое преобразование в числовые, что улучшает качество моделей и экономит время. Оптимизированный алгоритм и поддержка GPU позволяют CatBoost быстро обучать модели даже на больших наборах данных. Он хорошо подходит для задач классификации, регрессии и ранжирования.  

Как XGBoost, так и CatBoost легко интегрируются с Python. Также они поддерживают интеграцию с pandas и scikit-learn. У обоих фреймворков есть подробная документация и развитое сообщество, что помогает быстрее их освоить.

LightGBM: градиентный бустинг на гистограммах

LightGBM — это высокопроизводительный фреймворк для градиентного бустинга, разработанный Microsoft. Он использует алгоритм Histogram-based Gradient Boosting, который группирует данные в гистограммы, значительно снижая объём памяти ^[11] и ускоряя обучение. 

Это особенно важно для работы с большими данными. Фреймворк оптимизирован для обработки миллионов строк и тысяч признаков, что актуально для многих бизнес-приложений из сферы BigData, таких как прогнозирование спроса, многофакторная оценка рисков и глубокий анализ клиентских данных. 

LightGBM строит деревья по принципу leaf-wise (разделение листьев с максимальным снижением функции потерь), в отличие от level-wise подхода XGBoost и CatBoost. Это позволяет создавать более глубокие и сложные деревья. Такой подход повышает точность предсказаний, но требует более тщательной настройки для предотвращения переобучения. 

В отличие от XGBoost, у которого категориальные признаки требуют предварительного кодирования, LightGBM поддерживает их напрямую, разбивая категории на основе гистограмм. Однако, по сравнению с CatBoost, LightGBM применяет более простое разбиение, что менее эффективно с наборами данных, имеющих большое количество категорий. 

Дополнительно LightGBM использует технику Gradient-based One-Side Sampling (GOSS), которая отбирает данные с большими градиентами для обучения, игнорируя менее информативные. Это отличает его от XGBoost, который обрабатывает все данные. GOSS ускоряет обучение ценой незначительной потери точности.  

Часто LightGBM применяется в рекомендательных системах, кредитном скоринге и маркетинге. Его способность работать с категориальными признаками без предварительного кодирования упрощает подготовку данных и экономит время.

Прогнозы и тенденции

Среди ключевых трендов развития фреймворков машинного обучения можно выделить следующие:

Доминирование TensorFlow и PyTorch 

Анализ HashDork за 2025 год подтверждает доминирование TensorFlow и PyTorch среди фреймворков глубокого обучения. TensorFlow выделяется своей масштабируемостью и всесторонними инструментами для производственных сред, тогда как PyTorch ценится за гибкость и динамические вычислительные графы в исследовательских задачах.

TensorFlow продолжит лидировать благодаря поддержке Google, интеграции с облачными платформами и универсальности. PyTorch укрепит позиции в исследованиях благодаря гибкости и удобству. 

Облачные платформы как фактор выбора 

Облачные платформы (Azure, AWS, Google Cloud и другие) будут продолжать поддерживать TensorFlow, PyTorch и scikit-learn, делая их основными инструментами для корпоративных решений. 

Снижение популярности менее гибких инструментов 

Фреймворки, ориентированные на экосистемы отдельных разработчиков (такие как СТЕЛ и MXNet), снизят популярность из-за менее активного сообщества и ограниченной поддержки, оставаясь в узкоспециализированных нишах. 

Рост AutoML и MLOps 

Инструменты автоматизации машинного обучения (AutoML) и операционализации ML (MLOps) станут ещё более важными для бизнеса. Продолжат набирать популярность облачные платформы для машинного обучения (такие как H2O.ai ^[12] и Amazon SageMaker). Однако в России их применение может быть ограничено из-за санкционного давления и запрета размещения некоторых данных на зарубежных серверах.

Согласно обзору Unite.AI ^[13] за 2025 год, облачные платформы машинного обучения, такие как Azure Machine Learning, Google Cloud Vertex AI и Amazon SageMaker, находятся в авангарде, обеспечивая надёжную поддержку популярных фреймворков [6] ^[14]. Эта интеграция позволяет упростить развёртывание и масштабирование моделей машинного обучения, удовлетворяя потребности ^[15] как исследований, так и производственных задач.

Интеграция с квантовыми вычислениями 

С развитием квантовых компьютеров ожидается рост интеграции ML с квантовыми вычислениями. Фреймворки, такие как TensorFlow Quantum, могут стать ключевыми инструментами в этой области.

Популярность фреймворков в России

Мы также провели исследование популярности фреймворков в вакансиях ML/DL-специалистов на платформе Head Hunter [7] ^[16]. Поиск производился по упоминанию фреймворка в описании к вакансии. Рассматривались вакансии в РФ.

Российская специфика в том, что наши специалисты по ML/DL почти не используют зарубежные облачные сервисы, с которыми тесно интегрированы популярные в США и ЕС фреймворки [4] ^[4]. Поэтому в тройку лидеров по России вошли фреймворки с открытым исходным кодом, из которых можно выжать максимум на своей инфраструктуре (on premise).

«На мой взгляд, TensorFlow среди российских специалистов постепенно теряет свою популярность. Сегодня его применение чаще связано с поддержкой legacy-проектов, чем с разработкой новых решений. Дополнительным подтверждением этого тренда служит тот факт, что в университетских курсах, связанных с ИИ, все чаще обучают именно работе с PyTorch. Гибкость, простота и сильное сообщество становятся сегодня ключевыми факторами выбора – особенно для тех, кто вскоре будет задавать тон в индустрии», — пояснила старший специалист-исследователь лаборатории искусственного интеллекта компании «Криптонит» Анна Холькина.

Таблица сравнения фреймворков

Выводы

Выбор фреймворка для машинного обучения как и прежде зависит от конкретных потребностей проекта. При этом представителям бизнеса и ИТ-специалистам важно учитывать не только текущую популярность фреймворков, но и их потенциал для интеграции с будущими технологиями. 

Для задач глубокого обучения TensorFlow и PyTorch являются наиболее предпочтительными вариантами. При этом TensorFlow идеален для производственных систем, а PyTorch — для исследований. 

В случае классического машинного обучения scikit-learn остаётся лучшим выбором. XGBoost/CatBoost и LightGBM отлично подходят для градиентного бустинга. 

Мы ожидаем не только дальнейшего развития этих фреймворков, но и появления новых инструментов, интегрированных с квантовыми вычислениями и отечественными облачными платформами.

Источники:

1. Grand View Research: Machine Learning Market ^[17]

2. GeeksforGeeks: Top 10 Machine Learning Frameworks in 2025 ^[8]

3. Upgrad: Top Deep Learning Frameworks You Should Know in 2025 ^[5]

4. Hackr.io ^[18]: Best Machine Learning Frameworks(ML) for Experts in 2025 ^[19]

5. Octal Software: Top 15+ Machine Learning Frameworks in 2025 ^[10]

6. 10 Best Machine Learning Software ^[14]

7. HeadHunter ( ^[16]hh.ru ^[20]) ^[16]