Horovod on avatud lähtekoodiga raamistik süvaõppemudelite hajutatud treenimiseks paljudel GPU-del või masinatel. Algselt Uberis välja töötatud raamistik toetab TensorFlow'd, Kerast, PyTorchi ja MXNeti ning sünkroniseerib osalevate masinate arvutatud gradiendid ring-allreduce'i abil, ilma keskse parameetriserverita. Projekti majutab LF AI & Data Foundation; uusim stabiilne väljalase 0.28.1 pärineb aastast 2023 (seisuga oktoober 2026).
TensorFlow on Google'i välja töötatud ja 2015. aastal avaldatud avatud lähtekoodiga masinõppe raamistik. Seda kasutatakse närvivõrkude ehitamiseks, treenimiseks ja kasutuselevõtuks rakendustes, serverites või mobiilseadmetes. Keras pakub ligipääsetavat kõrgetasemelist liidest; tüüpilised kasutusalad on piltide klassifitseerimine, prognoosimine ja soovitussüsteemid.
PyTorch on avatud lähtekoodiga raamistik masinõppeks ja süvaõppeks Pythoni programmeerimiskeeles. See töötati algselt välja Metas (tollal Facebook) ning seda haldab alates 2022. aastast Linux Foundationi alla kuuluv PyTorch Foundation. PyTorchi kasutatakse laialdaselt teaduses ja tööstuses, sest see võimaldab arendajatel mudeleid paindlikult ehitada, GPU-del treenida ja samm-sammult testida; paljud tuntud keele- ja pildimudelid on sellega ehitatud.
Keras on avatud lähtekoodiga Pythoni teek närvivõrkude ehitamiseks ja treenimiseks, mille töötas algselt välja François Chollet. See pakub kergesti kasutatavat kõrgetasemelist liidest mudelite kokkupanekuks kihtidest. Alates versioonist 3 saab Keras töötada arvutustaustsüsteemina JAX-il, TensorFlow'l või PyTorchil. Näide: meeskond ehitab pildiklassifitseerimise mudeli prototüübi vaid mõne koodireaga.
Kubeflow on avatud lähtekoodiga platvorm masinõppe töövoogude käitamiseks Kubernetesel, alates andmete ettevalmistusest kuni treenimise ja hüperparameetrite otsinguni ning mudelite teenindamiseni. Algselt Google'i algatatud projekt kuulub Cloud Native Computing Foundationi, kus see saavutas 2026. aasta augustis staatuse „graduated“ (seisuga oktoober 2026). See on suunatud peamiselt meeskondadele, kes treenivad oma mudeleid suures mahus oma või pilvetaristul.
