Horovod je odprtokodno ogrodje za porazdeljeno učenje modelov globokega učenja na številnih GPU-jih ali strojih. Prvotno razvit pri podjetju Uber podpira TensorFlow, Keras, PyTorch in MXNet ter z metodo ring-allreduce, brez osrednjega strežnika parametrov, sinhronizira gradiente, ki jih izračunajo sodelujoči stroji. Projekt gosti LF AI & Data Foundation; zadnja stabilna izdaja, 0.28.1, je iz leta 2023 (stanje oktober 2026).
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevTensorFlow je odprtokodno ogrodje za strojno učenje, ki ga je razvil Google in izdal leta 2015. Uporablja se za gradnjo, učenje in uvajanje nevronskih mrež v aplikacijah, na strežnikih ali mobilnih napravah. Keras nudi dostopen vmesnik na visoki ravni; tipične uporabe so razvrščanje slik, napovedovanje in priporočilni sistemi.
PyTorch je odprtokodno ogrodje za strojno in poglobljeno učenje v programskem jeziku Python. Izvorno ga je razvil Meta (takrat Facebook), od leta 2022 pa ga upravlja PyTorch Foundation pod okriljem Linux Foundation. PyTorch se veliko uporablja v raziskavah in industriji, ker razvijalcem omogoča prilagodljivo gradnjo modelov, njihovo učenje na grafičnih procesorjih in postopno preizkušanje; z njim je zgrajenih veliko znanih jezikovnih in slikovnih modelov.
Keras je odprtokodna knjižnica v jeziku Python za gradnjo in učenje nevronskih mrež, ki jo je prvotno razvil François Chollet. Ponuja dostopen vmesnik visoke ravni za sestavljanje modelov iz slojev. Od različice 3 lahko Keras kot računsko zaledje uporablja JAX, TensorFlow ali PyTorch. Primer: ekipa z nekaj vrsticami kode izdela prototip modela za razvrščanje slik.
Kubeflow je odprtokodna platforma za izvajanje delovnih tokov strojnega učenja na Kubernetesu, od priprave podatkov prek učenja in iskanja hiperparametrov do postrežbe modelov. Projekt, ki ga je prvotno sprožil Google, spada pod Cloud Native Computing Foundation, kjer je avgusta 2026 dosegel status „graduated“ (stanje oktober 2026). Namenjen je predvsem ekipam, ki v velikem obsegu učijo lastne modele na lastni ali oblačni infrastrukturi.
