Horovod je open-source framework pro distribuované trénování modelů hlubokého učení na mnoha GPU nebo počítačích. Původně ho vyvinula společnost Uber, podporuje TensorFlow, Keras, PyTorch a MXNet a synchronizuje gradienty vypočtené zúčastněnými stroji pomocí ring-allreduce, bez centrálního parametrického serveru. Projekt hostí LF AI & Data Foundation; poslední stabilní vydání 0.28.1 pochází z roku 2023 (stav k říjnu 2026).
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoTensorFlow je open-source framework pro strojové učení, který vyvinul Google a vydal v roce 2015. Používá se k tvorbě, trénování a nasazení neuronových sítí v aplikacích, na serverech nebo na mobilních zařízeních. Keras nabízí přístupné vysokoúrovňové rozhraní; typické využití zahrnuje klasifikaci obrázků, předpovědi a doporučovací systémy.
PyTorch je open-source framework pro strojové a hluboké učení v programovacím jazyce Python. Původně jej vyvinula společnost Meta (tehdy Facebook) a od roku 2022 jej zaštiťuje PyTorch Foundation pod hlavičkou Linux Foundation. PyTorch je široce rozšířený ve výzkumu i průmyslu, protože vývojářům umožňuje flexibilně sestavovat modely, trénovat je na GPU a krok za krokem je testovat; je na něm postavena řada známých jazykových a obrazových modelů.
Keras je open-source knihovna v Pythonu pro tvorbu a trénování neuronových sítí, původně vyvinutá Françoisem Cholletem. Nabízí přístupné rozhraní vysoké úrovně pro skládání modelů z vrstev. Od verze 3 může Keras jako výpočetní backend běžet na JAX, TensorFlow nebo PyTorch. Příklad: tým vytvoří prototyp modelu pro klasifikaci obrázků jen v několika řádcích kódu.
Kubeflow je open-source platforma pro provoz pracovních postupů strojového učení na Kubernetes, od přípravy dat přes trénování a hledání hyperparametrů až po poskytování modelů. Projekt původně inicioval Google a patří pod Cloud Native Computing Foundation, kde v srpnu 2026 dosáhl statusu „graduated“ (stav k říjnu 2026). Je určen hlavně týmům, které trénují vlastní modely ve velkém měřítku na vlastní nebo cloudové infrastruktuře.
