Horovod to otwartoźródłowy framework do rozproszonego trenowania modeli uczenia głębokiego na wielu procesorach GPU lub maszynach. Pierwotnie opracowany w Uberze, obsługuje TensorFlow, Keras, PyTorch i MXNet i synchronizuje gradienty obliczone przez uczestniczące maszyny za pomocą ring-allreduce, bez centralnego serwera parametrów. Projekt jest hostowany przez LF AI & Data Foundation; ostatnie stabilne wydanie, 0.28.1, pochodzi z 2023 roku (stan na październik 2026).
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoTensorFlow to otwartoźródłowy framework do uczenia maszynowego, opracowany przez Google i opublikowany w 2015 roku. Służy do budowania, trenowania i wdrażania sieci neuronowych w aplikacjach, na serwerach lub urządzeniach mobilnych. Keras zapewnia przystępny interfejs wysokiego poziomu; typowe zastosowania to klasyfikacja obrazów, prognozowanie i systemy rekomendacji.
PyTorch to otwartoźródłowy framework do uczenia maszynowego i głębokiego uczenia w języku programowania Python. Został pierwotnie opracowany w Meta (wówczas Facebook), a od 2022 roku opiekuje się nim PyTorch Foundation działająca pod parasolem Linux Foundation. PyTorch jest szeroko stosowany w badaniach i przemyśle, ponieważ pozwala programistom elastycznie budować modele, trenować je na procesorach graficznych i testować krok po kroku; wiele znanych modeli językowych i obrazowych powstało z jego użyciem.
Keras to otwartoźródłowa biblioteka Pythona do budowania i trenowania sieci neuronowych, pierwotnie opracowana przez François Cholleta. Oferuje przystępny interfejs wysokiego poziomu do składania modeli z warstw. Od wersji 3 Keras może działać na JAX, TensorFlow lub PyTorch jako zapleczu obliczeniowym. Przykład: zespół buduje prototyp modelu klasyfikacji obrazów za pomocą zaledwie kilku linijek kodu.
Kubeflow to otwartoźródłowa platforma do uruchamiania przepływów uczenia maszynowego na Kubernetes, od przygotowania danych przez trenowanie i wyszukiwanie hiperparametrów po udostępnianie modeli. Zainicjowany pierwotnie przez Google, projekt należy do Cloud Native Computing Foundation, gdzie w sierpniu 2026 roku osiągnął status „graduated” (stan na październik 2026). Jest skierowany głównie do zespołów, które trenują własne modele na dużą skalę na własnej infrastrukturze lub w chmurze.
