Horovod è un framework open source per l’addestramento distribuito di modelli di deep learning su molte GPU o macchine. Sviluppato originariamente in Uber, supporta TensorFlow, Keras, PyTorch e MXNet e sincronizza i gradienti calcolati dalle macchine partecipanti tramite ring-allreduce, senza un server centrale dei parametri. Il progetto fa parte della LF AI & Data Foundation; l’ultima versione stabile, la 0.28.1, risale al 2023 (aggiornato a ottobre 2026).
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoTensorFlow è un framework open source per l'apprendimento automatico sviluppato da Google e pubblicato nel 2015. Serve a costruire, addestrare e mettere in produzione reti neurali in applicazioni, su server o su dispositivi mobili. Con Keras offre un'interfaccia di alto livello facile da usare; impieghi tipici sono la classificazione di immagini, le previsioni e i sistemi di raccomandazione.
PyTorch è un framework open source per l'apprendimento automatico e il deep learning nel linguaggio Python. È nato in Meta (allora Facebook) e dal 2022 è gestito dalla PyTorch Foundation, nell'ambito della Linux Foundation. È molto diffuso nella ricerca e nell'industria perché permette di costruire modelli in modo flessibile, addestrarli su GPU e testarli passo dopo passo; molti noti modelli linguistici e di immagini sono sviluppati con PyTorch.
Keras è una libreria Python open source per costruire e addestrare reti neurali, sviluppata originariamente da François Chollet. Offre un'interfaccia di alto livello, semplice da usare, con cui comporre modelli a partire da strati. Dalla versione 3 Keras può funzionare con JAX, TensorFlow o PyTorch come motore di calcolo. Esempio: un team realizza in poche righe un prototipo di modello per classificare immagini.
Kubeflow è una piattaforma open source per eseguire flussi di machine learning su Kubernetes, dalla preparazione dei dati all'addestramento, alla ricerca degli iperparametri fino alla messa in produzione dei modelli. Avviato originariamente da Google, il progetto fa parte della Cloud Native Computing Foundation, dove ad agosto 2026 ha raggiunto lo stato «graduated» (aggiornato a ottobre 2026). Si rivolge soprattutto a team che addestrano modelli propri su larga scala su infrastruttura propria o cloud.
