Horovod es un framework de código abierto para el entrenamiento distribuido de modelos de deep learning en muchas GPU o máquinas. Desarrollado originalmente en Uber, es compatible con TensorFlow, Keras, PyTorch y MXNet y sincroniza los gradientes calculados por las máquinas participantes mediante ring-allreduce, sin un servidor central de parámetros. El proyecto forma parte de la LF AI & Data Foundation; la última versión estable, la 0.28.1, es de 2023 (a octubre de 2026).
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoTensorFlow es un framework de código abierto para aprendizaje automático desarrollado por Google y publicado en 2015. Sirve para construir, entrenar y desplegar redes neuronales en aplicaciones, servidores o dispositivos móviles. Con Keras ofrece una interfaz de alto nivel fácil de usar; se emplea, por ejemplo, en clasificación de imágenes, previsiones o sistemas de recomendación.
PyTorch es un framework de código abierto para aprendizaje automático y aprendizaje profundo en el lenguaje Python. Nació en Meta (entonces Facebook) y desde 2022 lo gestiona la PyTorch Foundation, bajo el paraguas de la Linux Foundation. Está muy extendido en investigación e industria porque permite construir modelos con flexibilidad, entrenarlos en GPU y probarlos paso a paso; muchos modelos de lenguaje e imagen conocidos se desarrollan con él.
Keras es una biblioteca de Python de código abierto para crear y entrenar redes neuronales, desarrollada originalmente por François Chollet. Ofrece una interfaz de alto nivel, fácil de usar, para montar modelos a partir de capas. Desde la versión 3, Keras puede funcionar con JAX, TensorFlow o PyTorch como motor de cálculo. Ejemplo: un equipo crea en pocas líneas un prototipo de modelo de clasificación de imágenes.
Kubeflow es una plataforma de código abierto para ejecutar flujos de aprendizaje automático en Kubernetes, desde la preparación de datos hasta el entrenamiento, la búsqueda de hiperparámetros y el despliegue de modelos. Iniciado originalmente por Google, el proyecto forma parte de la Cloud Native Computing Foundation, donde alcanzó el estado «graduated» en agosto de 2026 (a fecha de octubre de 2026). Está pensado sobre todo para equipos que entrenan modelos propios a gran escala en infraestructura propia o en la nube.
