O Horovod é uma framework de código aberto para o treino distribuído de modelos de deep learning em muitas GPU ou máquinas. Desenvolvido originalmente na Uber, suporta TensorFlow, Keras, PyTorch e MXNet e sincroniza os gradientes calculados pelas máquinas participantes através de ring-allreduce, sem um servidor central de parâmetros. O projeto é alojado pela LF AI & Data Foundation; a última versão estável, 0.28.1, data de 2023 (situação em outubro de 2026).
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoO TensorFlow é uma framework de aprendizagem automática de código aberto desenvolvida pela Google e lançada em 2015. É utilizada para construir, treinar e implementar redes neuronais em aplicações, em servidores ou em dispositivos móveis. O Keras oferece uma interface de alto nível acessível; entre as utilizações típicas contam-se a classificação de imagens, a previsão e os sistemas de recomendação.
O PyTorch é uma framework de código aberto para aprendizagem automática e aprendizagem profunda na linguagem de programação Python. Foi desenvolvido originalmente na Meta (então Facebook) e é gerido desde 2022 pela PyTorch Foundation, sob a égide da Linux Foundation. O PyTorch é muito utilizado na investigação e na indústria porque permite aos programadores construir modelos com flexibilidade, treiná-los em GPU e testá-los passo a passo; muitos modelos de linguagem e de imagem conhecidos são construídos com ele.
O Keras é uma biblioteca Python de código aberto para construir e treinar redes neuronais, desenvolvida originalmente por François Chollet. Oferece uma interface acessível, de alto nível, para montar modelos a partir de camadas. Desde a versão 3, o Keras pode funcionar com JAX, TensorFlow ou PyTorch como backend de cálculo. Exemplo: uma equipa constrói um protótipo de modelo de classificação de imagens com apenas algumas linhas de código.
O Kubeflow é uma plataforma de código aberto para executar fluxos de trabalho de machine learning no Kubernetes, desde a preparação de dados e o treino até à pesquisa de hiperparâmetros e ao serviço de modelos. Iniciado originalmente pela Google, o projeto pertence à Cloud Native Computing Foundation, onde atingiu o estatuto "graduated" em agosto de 2026 (situação em outubro de 2026). Destina-se sobretudo a equipas que treinam os seus próprios modelos em grande escala na sua própria infraestrutura ou na nuvem.
