Horovod ist ein Open-Source-Framework für das verteilte Training von Deep-Learning-Modellen auf vielen GPUs oder Rechnern. Ursprünglich bei Uber entwickelt, unterstützt es TensorFlow, Keras, PyTorch und MXNet und gleicht die berechneten Gradienten der beteiligten Rechner per Ring-Allreduce ab, ohne zentralen Parameterserver. Das Projekt gehört zur LF AI & Data Foundation; die letzte stabile Version 0.28.1 stammt aus dem Jahr 2023 (Stand: Oktober 2026).
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenTensorFlow ist ein von Google entwickeltes Open-Source-Framework für maschinelles Lernen, das 2015 veröffentlicht wurde. Es dient dazu, neuronale Netze zu bauen, zu trainieren und in Anwendungen, auf Servern oder mobilen Geräten einzusetzen. Mit Keras bietet es eine leicht zugängliche Programmierschnittstelle; typische Einsätze sind Bildklassifikation, Prognosen oder Empfehlungssysteme.
PyTorch ist ein quelloffenes Framework für maschinelles Lernen und Deep Learning in der Programmiersprache Python. Es wurde ursprünglich bei Meta (damals Facebook) entwickelt und wird seit 2022 von der PyTorch Foundation unter dem Dach der Linux Foundation betreut. PyTorch ist in Forschung und Industrie weit verbreitet, weil sich Modelle damit flexibel bauen, auf Grafikkarten trainieren und schrittweise testen lassen; viele bekannte Sprach- und Bildmodelle entstehen damit.
Keras ist eine quelloffene Python-Bibliothek zum Aufbau und Training neuronaler Netze, ursprünglich von François Chollet entwickelt. Sie bietet eine leicht verständliche, hochstufige Schnittstelle, mit der sich Modelle aus Schichten zusammensetzen lassen. Seit Version 3 kann Keras wahlweise mit JAX, TensorFlow oder PyTorch als Rechengrundlage arbeiten. Beispiel: Ein Team baut in wenigen Zeilen ein Bildklassifikationsmodell als Prototyp.
Kubeflow ist eine quelloffene Plattform, um Arbeitsabläufe des maschinellen Lernens auf Kubernetes zu betreiben – von Datenvorbereitung über Training und Hyperparameter-Suche bis zur Bereitstellung von Modellen. Das ursprünglich von Google initiierte Projekt gehört zur Cloud Native Computing Foundation und hat dort im August 2026 den Status „graduated“ erreicht (Stand: Oktober 2026). Es richtet sich vor allem an Teams, die eigene Modelle in großem Maßstab auf eigener oder Cloud-Infrastruktur trainieren.
