この記事の要点
古典 ML → scikit-learn / XGBoost / LightGBM ディープラーニング → PyTorch（主流）/ TensorFlow / JAX LLM 利用 → Hugging Face Transformers / vLLM / Ollama / llama.cpp LLM アプリ → LangChain / LlamaIndex / Vercel AI SDK 本番推論 → ONNX Runtime / TensorRT / Triton Inference Server ベクトル DB → Chroma / Faiss / pgvector / Pinecone / Qdrant 選定軸: 目的 / 言語 / ライセンス / GPU / エコシステム / デプロイ手段

本稿は AI ライブラリのハブページです。AI / 機械学習 / ディープラーニング / LLM 応用の開発で使われる、主要なライブラリ・フレームワークをまとめます。

子ページから個別ライブラリを選択してください。

本ページの子ページ（現状）

• TensorFlow — Google 発の DL フレームワーク
• scikit-learn — 古典的な機械学習の定番ライブラリ

※ 今後、PyTorch / Hugging Face Transformers / LangChain / LlamaIndex / JAX / ONNX Runtime 等を順次拡充予定。

用途別の代表ライブラリ

用途	代表ライブラリ	備考
古典的な機械学習	scikit-learn、XGBoost、LightGBM、CatBoost	表形式データ・予測モデルの定番
ディープラーニング	PyTorch、TensorFlow / Keras、JAX	研究は PyTorch、本番デプロイは TF も依然多い
LLM / Transformer	Hugging Face Transformers、vLLM、Ollama、llama.cpp	事前学習モデル利用と推論サーバ
LLM アプリ開発	LangChain、LlamaIndex、LangGraph、Haystack	RAG・エージェント・チェーン構築
LLM API クライアント	openai、anthropic、google-generativeai 等の公式 SDK	各ベンダー API ラッパー
モデル運用 / デプロイ	ONNX Runtime、TensorRT、Triton Inference Server	推論高速化・サービング
データ処理	NumPy、pandas、Polars、Apache Arrow	前処理の土台
可視化	Matplotlib、seaborn、Plotly	EDA・モデル評価
ベクトル DB / 検索	Chroma、Faiss、pgvector、Pinecone、Qdrant、Weaviate	RAG の検索層
強化学習	Stable-Baselines3、Ray RLlib、Gymnasium	方策学習・環境
画像	OpenCV、Pillow、torchvision、timm	前処理・モデル zoo
音声	torchaudio、librosa、whisper、speechbrain	音声処理・認識
NLP 古典	spaCy、NLTK、gensim	形態素・分散表現
実験管理	MLflow、Weights & Biases、TensorBoard	学習ログ・モデル管理
分散学習	DeepSpeed、Accelerate、FSDP、Megatron-LM	大規模モデル学習の高速化
ファインチューニング補助	PEFT、LoRA、QLoRA、TRL (RLHF/DPO)	軽量適応・嗜好学習
エージェント	LangGraph、AutoGen、CrewAI、smol-agents	ツール呼出・複数手順実行

PyTorch / TensorFlow / JAX の比較

項目	PyTorch	TensorFlow / Keras	JAX
立ち位置	研究 & 実装の事実上の標準	本番 / モバイル / 既存資産	研究・XLA による高速化
API	Pythonic・命令型 (eager)	Keras で高レベル / tf.function	関数型・jit / vmap / grad
分散・量子化	FSDP、torch.compile、bitsandbytes	tf.distribute、TFLite、TF Serving	pjit、pmap、TPU 親和性高
デプロイ	TorchScript、ONNX、TorchServe	TF Serving、TFLite、TF.js	JAX2TF、ONNX 経由
採用例	Hugging Face、Meta 系、研究論文の多数	Google 内製、業務系で根強い	Google DeepMind、Gemini など
学習開始しやすさ	◎	◯ (Keras)	△ (関数型に慣れが必要)

LLM アプリ開発でよく使う組合せ

レイヤ	代表選択肢
LLM 呼出	OpenAI / Anthropic / Google SDK、または LangChain / LlamaIndex の抽象化
ベクトル DB	Chroma (ローカル) / pgvector (RDBMS統合) / Pinecone・Qdrant (マネージド)
埋め込み生成	OpenAI text-embedding-3、Cohere、bge / e5 系 (OSS)
オーケストレーション	LangGraph / LlamaIndex Workflow / 自前のステートマシン
UI / プロト	Streamlit、Gradio、Next.js + Vercel AI SDK
監視・評価	LangSmith、Helicone、Phoenix、Promptfoo、Weights & Biases

選定の観点

• 目的: 学習を自前でやるか / 既存モデルを使うだけか
• 言語: 大半は Python だが、JS/TS の Vercel AI SDK 等もある
• ライセンス: Apache 2.0 / MIT / 商用条件付き OSS / 商用クローズド
• GPU / TPU: 必要なハードと CUDA / ROCm / Metal / TPU 対応
• エコシステム: モデル zoo の規模 (Hugging Face Hub)、コミュニティ、論文実装
• 本番デプロイ: TorchScript / ONNX / TensorRT 等のエクスポート対応
• 更新頻度: 半年〜1年でメジャー版が変わる分野。塩漬けはリスク

OSS と商用クラウドの境界

形態	代表	位置づけ
OSS ライブラリ	PyTorch / TensorFlow / Hugging Face Transformers	無料・自前運用
OSS モデル	Llama / Mistral / Gemma / DeepSeek / Stable Diffusion	重みが公開 (商用条件は要確認)
マネージドモデル API	OpenAI / Anthropic / Google / xAI	従量課金。最新性能
クラウド AI 基盤	Azure OpenAI / AWS Bedrock / Vertex AI	企業契約・コンプラ重視
ローカル LLM 実行	Ollama、llama.cpp、LM Studio、Jan	PC 上で OSS モデルを動かす

注意点

• バージョン破壊: AI 系ライブラリは API が頻繁に変わる。requirements.txt や poetry.lock でバージョン固定必須
• CUDA / cuDNN / Python のバージョン整合: GPU を使う場合、PyTorch / TensorFlow とドライバの組合せで詰まりやすい
• モデルライセンス: Llama の商用利用条件、Stable Diffusion の派生モデル等、利用前に確認
• 推論コスト: GPU 時間・API トークン単価が想定外に膨らみやすい。監視必須
• セキュリティ: pickle 形式モデルや任意コード実行可能なツール (PyTorch hub の一部) は信頼できるソースのみ
• 個人情報・機密: API 利用時は学習データ化されない契約形態を選ぶ

関連

• 親カテゴリ: AI 人工知能
• 子ページ: TensorFlow / scikit-learn
• 関連: 機械学習 / ディープラーニング / AI サービス