Apache MXNet var et open source deep learning-framework, der effektivt kunne træne modeller på tværs af flere GPU'er og maskiner, med grænseflader til Python, C++, R, Scala og andre sprog. Amazon Web Services støttede det i nogle år som sit foretrukne framework. Apache Software Foundation lukkede projektet i september 2023 og flyttede det til Apache Attic i februar 2024; det udvikles ikke længere. Eksisterende modeller migreres som regel til andre frameworks.
BMXNet er et open source-bibliotek til binære neurale netværk, udgivet i 2017 af Hasso Plattner Institute i Potsdam og bygget på frameworket Apache MXNet. Binære netværk gemmer vægte og aktiveringer med en enkelt bit i stedet for 32, hvilket gør modellerne langt mindre og hurtigere – attraktivt til smartphones og indlejrede enheder, dog som regel på bekostning af en vis nøjagtighed. Da MXNet blev udfaset i 2023, er BMXNet nu primært af forskningsmæssig interesse (pr. oktober 2026).
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.
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.
Open Neural Network Exchange (ONNX) er et åbent filformat til machine learning-modeller, introduceret i 2017 af Microsoft og Facebook (nu Meta) og i dag hostet af LF AI & Data Foundation. En model trænet i f.eks. PyTorch kan eksporteres til ONNX og køres med andre værktøjer eller runtimes som ONNX Runtime. Det gør det lettere at skifte mellem frameworks og udrulle på forskellig hardware.
