Horovod er et open source-framework til distribueret træning af deep learning-modeller på tværs af mange GPU'er eller maskiner. Det er oprindelig udviklet hos Uber, understøtter TensorFlow, Keras, PyTorch og MXNet og synkroniserer de gradienter, som de deltagende maskiner beregner, med ring-allreduce uden en central parameterserver. Projektet hostes af LF AI & Data Foundation; den seneste stabile udgivelse, 0.28.1, stammer fra 2023 (status oktober 2026).
TensorFlow er et open source machine learning-framework udviklet af Google og udgivet i 2015. Det bruges til at bygge, træne og udrulle neurale netværk i applikationer, på servere eller på mobile enheder. Keras giver en tilgængelig grænseflade på højt niveau; typiske anvendelser er billedklassifikation, prognoser og anbefalingssystemer.
PyTorch er et open source framework til machine learning og deep learning i programmeringssproget Python. Det blev oprindeligt udviklet hos Meta (dengang Facebook) og er siden 2022 blevet forvaltet af PyTorch Foundation under Linux Foundation. PyTorch er udbredt i forskning og industri, fordi udviklere fleksibelt kan bygge modeller, træne dem på GPU'er og teste dem trin for trin; mange kendte sprog- og billedmodeller er bygget med det.
Keras er et open source-bibliotek i Python til at bygge og træne neurale netværk, oprindelig udviklet af François Chollet. Det tilbyder en lettilgængelig grænseflade på højt niveau til at sammensætte modeller af lag. Siden version 3 kan Keras køre på JAX, TensorFlow eller PyTorch som beregningsbackend. Eksempel: Et team bygger en prototype på en model til billedklassifikation med blot nogle få linjer kode.
Kubeflow er en open source-platform til at køre maskinlæringsarbejdsgange på Kubernetes, fra dataforberedelse over træning og hyperparametersøgning til modeldrift. Projektet er oprindelig igangsat af Google og hører under Cloud Native Computing Foundation, hvor det nåede »graduated«-status i august 2026 (status oktober 2026). Det retter sig primært mod teams, der træner egne modeller i stor skala på egen eller cloudbaseret infrastruktur.
