Horovod est un framework open source d’entraînement distribué de modèles d’apprentissage profond sur de nombreux GPU ou machines. Développé à l’origine chez Uber, il prend en charge TensorFlow, Keras, PyTorch et MXNet et synchronise les gradients calculés par les machines participantes via ring-allreduce, sans serveur de paramètres central. Le projet est hébergé par la LF AI & Data Foundation ; la dernière version stable, 0.28.1, date de 2023 (état : octobre 2026).
Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.
Lancer la démoTensorFlow est un framework open source d'apprentissage automatique développé par Google et publié en 2015. Il permet de concevoir, d'entraîner et de déployer des réseaux de neurones dans des applications, sur des serveurs ou des appareils mobiles. Keras en constitue l'interface de haut niveau accessible ; les usages typiques vont de la classification d'images aux prévisions et aux systèmes de recommandation.
PyTorch est un framework open source d'apprentissage automatique et d'apprentissage profond pour le langage Python. Développé à l'origine chez Meta (alors Facebook), il est géré depuis 2022 par la PyTorch Foundation, rattachée à la Linux Foundation. PyTorch est très répandu dans la recherche et l'industrie, car il permet de construire des modèles de façon flexible, de les entraîner sur GPU et de les tester pas à pas ; de nombreux modèles de langage et d'image connus sont conçus avec lui.
Keras est une bibliothèque Python open source pour concevoir et entraîner des réseaux de neurones, développée à l'origine par François Chollet. Elle offre une interface de haut niveau, facile à prendre en main, pour assembler des modèles couche par couche. Depuis la version 3, Keras peut fonctionner au choix avec JAX, TensorFlow ou PyTorch comme moteur de calcul. Exemple : une équipe crée en quelques lignes un prototype de modèle de classification d'images.
Kubeflow est une plateforme open source pour exécuter des workflows d'apprentissage automatique sur Kubernetes, de la préparation des données à l'entraînement, à la recherche d'hyperparamètres et au déploiement des modèles. Lancé à l'origine par Google, le projet fait partie de la Cloud Native Computing Foundation, où il a obtenu le statut « graduated » en août 2026 (état : octobre 2026). Il s'adresse surtout aux équipes qui entraînent leurs propres modèles à grande échelle sur leur infrastructure ou dans le cloud.
