Horovod är ett ramverk med öppen källkod för distribuerad träning av djupinlärningsmodeller över många GPU:er eller maskiner. Det utvecklades ursprungligen hos Uber, stöder TensorFlow, Keras, PyTorch och MXNet och synkroniserar de gradienter som deltagande maskiner beräknar med ring-allreduce, utan en central parameterserver. Projektet drivs av LF AI & Data Foundation; den senaste stabila versionen, 0.28.1, är från 2023 (läge oktober 2026).
TensorFlow är ett ramverk för maskininlärning med öppen källkod, utvecklat av Google och släppt 2015. Det används för att bygga, träna och driftsätta neurala nätverk i applikationer, på servrar eller på mobila enheter. Keras erbjuder ett lättillgängligt högnivågränssnitt; typiska användningsområden är bildklassificering, prognoser och rekommendationssystem.
PyTorch är ett ramverk med öppen källkod för maskininlärning och djupinlärning i programmeringsspråket Python. Det utvecklades ursprungligen hos Meta (då Facebook) och har sedan 2022 förvaltats av PyTorch Foundation under Linux Foundation. PyTorch används flitigt inom forskning och industri eftersom det låter utvecklare bygga modeller flexibelt, träna dem på GPU:er och testa dem steg för steg; många välkända språk- och bildmodeller är byggda med det.
Keras är ett Python-bibliotek med öppen källkod för att bygga och träna neurala nätverk, ursprungligen utvecklat av François Chollet. Det erbjuder ett lättillgängligt gränssnitt på hög nivå för att sätta ihop modeller av lager. Sedan version 3 kan Keras köras med JAX, TensorFlow eller PyTorch som beräkningsbackend. Exempel: ett team bygger en prototyp för bildklassificering med bara några rader kod.
Kubeflow är en plattform med öppen källkod för att köra arbetsflöden för maskininlärning på Kubernetes, från dataförberedelse via träning och hyperparametersökning till modellserving. Projektet initierades ursprungligen av Google och tillhör Cloud Native Computing Foundation, där det nådde statusen ”graduated” i augusti 2026 (läge oktober 2026). Det riktar sig främst till team som tränar egna modeller i stor skala på egen infrastruktur eller i molnet.
