Horovod е framework с отворен код за разпределено обучение на модели за дълбоко обучение върху много GPU или машини. Първоначално разработен в Uber, той поддържа TensorFlow, Keras, PyTorch и MXNet и синхронизира градиентите, изчислени от участващите машини, чрез ring-allreduce, без централен сървър за параметри. Проектът се хоства от LF AI & Data Foundation; последната стабилна версия, 0.28.1, е от 2023 г. (към октомври 2026 г.).
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоTensorFlow е фреймуърк за машинно обучение с отворен код, разработен от Google и пуснат през 2015 г. Използва се за изграждане, обучение и внедряване на невронни мрежи в приложения, на сървъри или на мобилни устройства. Keras предоставя достъпен интерфейс на високо ниво; типични приложения са класификация на изображения, прогнозиране и препоръчващи системи.
PyTorch е фреймуърк с отворен код за машинно обучение и дълбоко обучение на програмния език Python. Първоначално е разработен в Meta (тогава Facebook), а от 2022 г. се поддържа от PyTorch Foundation под егидата на Linux Foundation. PyTorch се използва широко в научните изследвания и в индустрията, защото позволява на разработчиците да изграждат моделите гъвкаво, да ги обучават на графични процесори и да ги тестват стъпка по стъпка; с него са изградени много известни езикови и графични модели.
Keras е библиотека с отворен код на Python за изграждане и обучение на невронни мрежи, първоначално разработена от François Chollet. Тя предлага достъпен интерфейс на високо ниво за сглобяване на модели от слоеве. От версия 3 Keras може да работи с JAX, TensorFlow или PyTorch като изчислителна основа. Пример: екип изгражда прототип на модел за класификация на изображения само с няколко реда код.
Kubeflow е платформа с отворен код за изпълнение на работни процеси за машинно обучение върху Kubernetes – от подготовката на данни през обучението и търсенето на хиперпараметри до предоставянето на моделите. Първоначално инициирана от Google, проектът принадлежи на Cloud Native Computing Foundation, където през август 2026 г. достига статус „graduated“ (към октомври 2026 г.). Тя е насочена главно към екипи, които обучават собствени модели в голям мащаб върху собствена или облачна инфраструктура.
