Horovod este un framework open-source pentru antrenarea distribuită a modelelor de deep learning pe mai multe GPU-uri sau mașini. Dezvoltat inițial la Uber, acceptă TensorFlow, Keras, PyTorch și MXNet și sincronizează gradienții calculați de mașinile participante prin ring-allreduce, fără un server central de parametri. Proiectul este găzduit de LF AI & Data Foundation; cea mai recentă versiune stabilă, 0.28.1, datează din 2023 (situația la octombrie 2026).
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulTensorFlow este un framework open-source de învățare automată, dezvoltat de Google și lansat în 2015. Se folosește pentru construirea, antrenarea și implementarea rețelelor neuronale în aplicații, pe servere sau pe dispozitive mobile. Keras oferă o interfață accesibilă, de nivel înalt; utilizările tipice includ clasificarea imaginilor, prognoza și sistemele de recomandare.
PyTorch este un framework open-source pentru învățare automată și învățare profundă în limbajul de programare Python. A fost dezvoltat inițial la Meta (pe atunci Facebook) și este administrat din 2022 de PyTorch Foundation, sub egida Linux Foundation. PyTorch este larg răspândit în cercetare și industrie deoarece le permite dezvoltatorilor să construiască flexibil modele, să le antreneze pe GPU-uri și să le testeze pas cu pas; multe modele lingvistice și de imagine cunoscute sunt construite cu el.
Keras este o bibliotecă Python open-source pentru construirea și antrenarea rețelelor neuronale, dezvoltată inițial de François Chollet. Oferă o interfață accesibilă, de nivel înalt, pentru asamblarea modelelor din straturi. Începând cu versiunea 3, Keras poate rula pe JAX, TensorFlow sau PyTorch drept backend de calcul. Exemplu: o echipă construiește un prototip de model de clasificare a imaginilor în doar câteva linii de cod.
Kubeflow este o platformă open-source pentru rularea fluxurilor de lucru de machine learning pe Kubernetes, de la pregătirea datelor, prin antrenare și căutarea hiperparametrilor, până la servirea modelelor. Inițiat inițial de Google, proiectul aparține Cloud Native Computing Foundation, unde a atins statutul „graduated” în august 2026 (situația la octombrie 2026). Se adresează în principal echipelor care antrenează la scară largă propriile modele, pe infrastructură proprie sau în cloud.
